斯坦福泡茶机器人DexCap源码解析：涵盖收集数据、处理数据、模型训练三大阶段

前言

因为我司「七月在线」关于dexcap的复现/优化接近尾声了(每月逐步提高复现的效果)，故准备把dexcap的源码也分析下，11月下旬则分析下iDP3的源码——为队伍「iDP3人形的复现/优化」助力

最开始，dexcap的源码分析属于此文《DexCap——斯坦福李飞飞团队泡茶机器人：带灵巧手和动作捕捉的数据收集系统(含硬件清单)》的第三部分

然原理讲解、硬件配置、源码解析都放在一篇文章里的话，篇幅会显得特别长，故把源码的部分抽取出来，独立成此文

以下为本文的全文目录

前言

第一部分 STEP1_collect_data

1.1 calculate_offset_vis_calib.py

1.2 data_recording.py——配置多个Realsense T265相机和一个L515相机

1.2.1 一系列定义：比如保存帧数据的函数

1.2.2 RealsenseProcessor 的类：获取多个相机的RGB-D帧和位姿数据

1.3 demo_clipping_3d.py——可视化点云数据且选择每个演示的起始帧/结束帧

1.4 redis_glove_server.py——接收UDP数据包并将手部关节数据存储到Redis数据库

1.5 replay_human_traj_vis.py——可视化保存点云数据和位姿(可用于查看所有帧和校准)

1.6 transform_to_robot_table.py——将可视化点云数据放置在机器人桌面上

1.7 visualizer.py——可视化手部关节数据

1.7.1 一系列定义：比如五个手指等

1.7.2 DataVisualizer类：用于可视化点云数据和手部关节数据

1.7.3 _load_frame_data：加载给定帧的点云和位姿数据，并进行可视化处理

第二部分 STEP2_build_dataset

2.1 dataset_utils.py

2.1.1 read_pose_data：读取和处理手部姿态数据(过程中使用 LeapPybulLetIK 计算逆运动学，得到手部关节的目标位置)

2.1.2 process_hdf5：处理多个数据集(手部姿态/图像/点云)，作为模型的训练数据集

2.2 pybullet_ik_bimanual.py——含点云生成、计算逆运动学compute_IK的实现

2.2.1 导入库、类的定义和初始化、获取网格点云的方法等等

2.2.2 create_target_vis、update_target_vis、rest_target_vis的实现

2.2.3 compute_IK的实现：用于计算双手的逆运动学IK——使用PyBullet来模拟手部关节的位置和方向

第三部分 STEP3_train_policy

3.1 robomimic/algo

3.1.1algo.py

3.1.2 bc.py

3.1.3 bcq.py

3.1.4 cql.py

3.1.5 diffusion_policy.py

3.1.6 gl.py

3.1.7 hbc.py

3.1.8 iql.py

3.1.9 iris.py

3.1.10 td3_bc.py

第一部分 STEP1_collect_data

1.1 calculate_offset_vis_calib.py

这段代码是一个用于校准和保存偏移量、方向偏移量的脚本，用于从指定目录中读取数据，计算偏移量和方向偏移量，并将结果保存到指定目录中，以下是代码的部分解释

导入库

import argparse      # 用于解析命令行参数
import numpy as np   # 用于数值计算
import os            # 用于操作系统相关功能
import sys           # 用于系统相关功能
from scipy.spatial.transform import Rotation as R   # 用于旋转矩阵和欧拉角转换
from transforms3d.euler import euler2mat            # 用于将欧拉角转换为旋转矩阵

主函数

if __name__ == "__main__":parser = argparse.ArgumentParser(description="calibrate and save in dataset folder")  # 创建命令行参数解析器parser.add_argument("--directory", type=str, default="", help="Directory with saved data")  # 添加目录参数parser.add_argument("--default", type=str, default="default_offset", help="Directory with saved data")  # 添加默认目录参数args = parser.parse_args()  # 解析命令行参数if os.path.exists("{}/calib_offset.txt".format(args.directory)):  # 检查目标目录中是否已经存在calib_offset.txt文件response = (input(f"calib_offset.txt already exists. Do you want to override? (y/n): "  # 提示用户是否覆盖文件).strip().lower())if response != "y":  # 如果用户选择不覆盖，退出程序print("Exiting program without overriding the existing directory.")sys.exit()

读取默认偏移量和方向偏移量

    default_offset = np.loadtxt(os.path.join(args.default, "calib_offset.txt"))  # 读取默认偏移量default_ori = np.loadtxt(os.path.join(args.default, "calib_ori_offset.txt"))  # 读取默认方向偏移量default_offset_left = np.loadtxt(os.path.join(args.default, "calib_offset_left.txt"))      # 读取左手默认偏移量default_ori_left = np.loadtxt(os.path.join(args.default, "calib_ori_offset_left.txt"))  # 读取左手默认方向偏移量default_ori_matrix = euler2mat(*default_ori)              # 将默认方向偏移量转换为旋转矩阵default_ori_matrix_left = euler2mat(*default_ori_left)    # 将左手默认方向偏移量转换为旋转矩阵

提取偏移量和方向偏移量

    frame_dirs = os.listdir("./test_data")  # 列出test_data目录中的所有文件list = []           # 存储偏移量的列表list_ori = []       # 存储方向偏移量的列表list_left = []      # 存储左手偏移量的列表list_ori_left = []  # 存储左手方向偏移量的列表for frame_dir in frame_dirs:  #

1.2 data_recording.py——配置多个Realsense T265相机和一个L515相机

这段代码是一个用于记录和处理Realsense相机数据的Python脚本

顺带再回顾一下

DexCap团队设计了一个装载摄像机的背包「如图(a)、(b)所示，为方便大家对照，特把上图再贴一下，如下」

在正前面，它通过胸部摄像机支架的4个插槽集成了4个相机，最顶部是一台Intel Realsense L515 RGB-D LiDAR摄像机，顶部下面是3个Realsense T265鱼眼SLAM跟踪相机(分别为红、绿、蓝)，用于在人类数据收集过程中捕捉观察结果

1.2.1 一系列定义：比如保存帧数据的函数

它可以捕捉颜色图像、深度图像、姿态数据以及手部关节数据，并将这些数据保存到指定的目录中

首先，导入库

"""
示例用法python data_recording.py -s --store_hand -o ./save_data_scenario_1
"""import argparse       # 用于解析命令行参数
import copy           # 用于复制对象
import numpy as np      # 用于数值计算
import open3d as o3d    # 用于3D数据处理
import os           # 用于操作系统相关功能
import shutil       # 用于文件操作
import sys                  # 用于系统相关功能
import pyrealsense2 as rs   # 用于Realsense相机操作
import cv2          # 用于图像处理from enum import IntEnum                       # 用于定义枚举类型
from realsense_helper import get_profiles      # 导入自定义的Realsense帮助函数
from transforms3d.quaternions import axangle2quat, qmult, quat2mat, mat2quat  # 用于四元数操作
import redis                       # 用于Redis数据库操作
import concurrent.futures          # 用于并发执行
from hyperparameters import*       # 导入超参数

其次，定义一个枚举类型 Preset，用于表示不同的预设配置

class Preset(IntEnum):Custom = 0Default = 1Hand = 2HighAccuracy = 3HighDensity = 4MediumDensity = 5

然后，保存帧数据的函数

def save_frame(frame_id,out_directory,color_buffer,depth_buffer,pose_buffer,pose2_buffer,pose3_buffer,rightHandJoint_buffer,leftHandJoint_buffer,rightHandJointOri_buffer,leftHandJointOri_buffer,save_hand,
):frame_directory = os.path.join(out_directory, f"frame_{frame_id}")  # 创建帧目录os.makedirs(frame_directory, exist_ok=True)  # 如果目录不存在则创建cv2.imwrite(os.path.join(frame_directory, "color_image.jpg"),color_buffer[frame_id][:, :, ::-1],      # 保存颜色图像)cv2.imwrite(os.path.join(frame_directory, "depth_image.png"), depth_buffer[frame_id]  # 保存深度图像)np.savetxt(os.path.join(frame_directory, "pose.txt"), pose_buffer[frame_id])  # 保存姿态数据np.savetxt(os.path.join(frame_directory, "pose_2.txt"), pose2_buffer[frame_id])      # 保存第二个姿态数据np.savetxt(os.path.join(frame_directory, "pose_3.txt"), pose3_buffer[frame_id])      # 保存第三个姿态数据if save_hand:  # 如果需要保存手部数据np.savetxt(os.path.join(frame_directory, "right_hand_joint.txt"),rightHandJoint_buffer[frame_id],      # 保存右手关节数据)np.savetxt(os.path.join(frame_directory, "left_hand_joint.txt"),leftHandJoint_buffer[frame_id],       # 保存左手关节数据)np.savetxt(os.path.join(frame_directory, "right_hand_joint_ori.txt"),rightHandJointOri_buffer[frame_id],   # 保存右手关节方向数据)np.savetxt(os.path.join(frame_directory, "left_hand_joint_ori.txt"),leftHandJointOri_buffer[frame_id],    # 保存左手关节方向数据)return f"frame {frame_id + 1} saved"     # 返回保存帧的消息

1.2.2 RealsenseProcessor 的类：获取多个相机的RGB-D帧和位姿数据

接下来，定义了一个名为 RealsenseProcessor 的类，用于处理Realsense相机的数据。它可以配置多个Realsense T265相机和一个L515相机，获取RGB-D帧和位姿数据，并可视化和存储这些数据

以下是对RealsenseProcessor类的详细解读：

类定义和初始化
初始化方法接受多个参数，用于配置T265相机的序列号、总帧数、是否存储帧、输出目录、是否保存手部数据和是否启用可视化

class RealsesneProcessor:  # 定义Realsense处理器类def __init__(  # 初始化方法self,first_t265_serial,      # 第一个T265相机的序列号second_t265_serial,     # 第二个T265相机的序列号thrid_t265_serial,      # 第三个T265相机的序列号total_frame,  # 总帧数store_frame=False,          # 是否存储帧，默认为Falseout_directory=None,         # 输出目录，默认为Nonesave_hand=False,            # 是否保存手部数据，默认为Falseenable_visualization=True,  # 是否启用可视化，默认为True):self.first_t265_serial = first_t265_serial        # 初始化第一个T265相机的序列号self.second_t265_serial = second_t265_serial      # 初始化第二个T265相机的序列号self.thrid_t265_serial = thrid_t265_serial        # 初始化第三个T265相机的序列号self.store_frame = store_frame          # 初始化是否存储帧self.out_directory = out_directory      # 初始化输出目录self.total_frame = total_frame          # 初始化总帧数self.save_hand = save_hand              # 初始化是否保存手部数据self.enable_visualization = enable_visualization  # 初始化是否启用可视化self.rds = None          # 初始化Redis连接

初始化各种缓冲区，用于存储彩色图像、深度图像、位姿数据，和手部关节数据(包含左右两手的关节位置、关节方向)

        self.color_buffer = []       # 初始化彩色图像缓冲区self.depth_buffer = []      # 初始化深度图像缓冲区self.pose_buffer = []       # 初始化第一个T265相机的位姿缓冲区self.pose2_buffer = []      # 初始化第二个T265相机的位姿缓冲区self.pose3_buffer = []      # 初始化第三个T265相机的位姿缓冲区self.pose2_image_buffer = []      # 初始化第二个T265相机的图像缓冲区self.pose3_image_buffer = []      # 初始化第三个T265相机的图像缓冲区self.rightHandJoint_buffer = []      # 初始化右手关节位置缓冲区self.leftHandJoint_buffer = []       # 初始化左手关节位置缓冲区self.rightHandJointOri_buffer = []       # 初始化右手关节方向缓冲区self.leftHandJointOri_buffer = []        # 初始化左手关节方向缓冲区

获取T265相机配置
具体方法是根据T265相机的序列号和管道配置，返回一个配置对象

    def get_rs_t265_config(self, t265_serial, t265_pipeline):t265_config = rs.config()t265_config.enable_device(t265_serial)t265_config.enable_stream(rs.stream.pose)return t265_config

配置流
该方法配置并启动多个Realsense相机的流，包括一个L515相机和三个T265相机
如果启用了手部数据保存功能，则连接到Redis服务器

def configure_stream(self):  # 配置流的方法# 连接到Redis服务器if self.save_hand:  # 如果启用了手部数据保存功能self.rds = redis.Redis(host="localhost", port=6669, db=0)  # 连接到本地Redis服务器

配置并启动L515相机的深度和彩色流

    # 创建一个管道self.pipeline = rs.pipeline()           # 创建一个Realsense管道config = rs.config()  # 创建一个配置对象color_profiles, depth_profiles = get_profiles()    # 获取彩色和深度流的配置文件w, h, fps, fmt = depth_profiles[1]      # 获取深度流的宽度、高度、帧率和格式config.enable_stream(rs.stream.depth, w, h, fmt, fps)  # 启用深度流w, h, fps, fmt = color_profiles[18]     # 获取彩色流的宽度、高度、帧率和格式config.enable_stream(rs.stream.color, w, h, fmt, fps)  # 启用彩色流

配置并启动三个T265相机的位姿流，具体而言
$\rightarrow$ 先配置

    # 配置第一个T265相机的流ctx = rs.context()              # 创建一个Realsense上下文self.t265_pipeline = rs.pipeline(ctx)      # 创建一个T265管道t265_config = rs.config()                  # 创建一个T265配置对象t265_config.enable_device(self.first_t265_serial)   # 启用第一个T265相机# 配置第二个T265相机的流ctx_2 = rs.context()            # 创建另一个Realsense上下文self.t265_pipeline_2 = rs.pipeline(ctx_2)  # 创建第二个T265管道t265_config_2 = self.get_rs_t265_config(self.second_t265_serial, self.t265_pipeline_2)  # 获取第二个T265相机的配置# 配置第三个T265相机的流ctx_3 = rs.context()            # 创建第三个Realsense上下文self.t265_pipeline_3 = rs.pipeline(ctx_3)  # 创建第三个T265管道t265_config_3 = self.get_rs_t265_config(self.thrid_t265_serial, self.t265_pipeline_3)  # 获取第三个T265相机的配置

$\rightarrow$ 再启动

    self.t265_pipeline.start(t265_config)          # 启动第一个T265管道self.t265_pipeline_2.start(t265_config_2)      # 启动第二个T265管道self.t265_pipeline_3.start(t265_config_3)      # 启动第三个T265管道pipeline_profile = self.pipeline.start(config)  # 启动L515管道并获取配置文件depth_sensor = pipeline_profile.get_device().first_depth_sensor()      # 获取深度传感器depth_sensor.set_option(rs.option.visual_preset, Preset.HighAccuracy)  # 设置深度传感器的选项为高精度self.depth_scale = depth_sensor.get_depth_scale()  # 获取深度比例align_to = rs.stream.color       # 对齐到彩色流self.align = rs.align(align_to)  # 创建对齐对象

如果启用了可视化功能，则初始化Open3D可视化器

    self.vis = None      # 初始化可视化器if self.enable_visualization:      # 如果启用了可视化功能self.vis = o3d.visualization.Visualizer()  # 创建Open3D可视化器self.vis.create_window()       # 创建可视化窗口self.vis.get_view_control().change_field_of_view(step=1.0)  # 改变视野

获取RGB-D帧——get_rgbd_frame_from_realsense
该方法从Realsense相机获取RGB-D顾，并将深度帧与彩色帧对齐

def get_rgbd_frame_from_realsense(self, enable_visualization=False):  # 从Realsense获取RGB-D帧的方法frames = self.pipeline.wait_for_frames()      # 等待获取帧数据# 将深度帧对齐到彩色帧aligned_frames = self.align.process(frames)   # 对齐帧数据# 获取对齐后的帧aligned_depth_frame = aligned_frames.get_depth_frame()  # 获取对齐后的深度帧color_frame = aligned_frames.get_color_frame()          # 获取对齐后的彩色帧depth_image = (np.asanyarray(aligned_depth_frame.get_data()) // 4)  # 将深度帧数据转换为numpy数组，并除以4以获得以米为单位的深度值（适用于L515相机）color_image = np.asanyarray(color_frame.get_data())  # 将彩色帧数据转换为numpy数组

如果启用了可视化功能，则将深度图像和彩色图像转换为Open3D的RGBD图像对象

    rgbd = None  # 初始化RGBD图像对象if enable_visualization:  # 如果启用了可视化功能depth_image_o3d = o3d.geometry.Image(depth_image)  # 将深度图像转换为Open3D图像对象color_image_o3d = o3d.geometry.Image(color_image)  # 将彩色图像转换为Open3D图像对象rgbd = o3d.geometry.RGBDImage.create_from_color_and_depth(color_image_o3d,      # 彩色图像depth_image_o3d,      # 深度图像depth_trunc=4.0,      # 深度截断值，超过此值的深度将被忽略convert_rgb_to_intensity=False,  # 是否将RGB图像转换为强度图像)  # 创建RGBD图像对象return rgbd, depth_image, color_image  # 返回RGBD图像、深度图像和彩色图像

通过frame_to_pose_conversion方法，实现帧到位姿的转换

@staticmethod  # 静态方法装饰器
def frame_to_pose_conversion(input_t265_frames):     # 定义帧到位姿转换的方法pose_frame = input_t265_frames.get_pose_frame()  # 获取位姿帧pose_data = pose_frame.get_pose_data()           # 获取位姿数据pose_3x3 = quat2mat(               # 将四元数转换为3x3旋转矩阵np.array([pose_data.rotation.w,  # 四元数的w分量pose_data.rotation.x,  # 四元数的x分量pose_data.rotation.y,  # 四元数的y分量pose_data.rotation.z,  # 四元数的z分量]))pose_4x4 = np.eye(4)          # 创建4x4单位矩阵pose_4x4[:3, :3] = pose_3x3   # 将3x3旋转矩阵赋值给4x4矩阵的左上角pose_4x4[:3, 3] = [           # 将平移向量赋值给4x4矩阵的右上角pose_data.translation.x,  # 位姿的x平移分量pose_data.translation.y,  # 位姿的y平移分量pose_data.translation.z,  # 位姿的z平移分量]return pose_4x4          # 返回4x4位姿矩阵

处理帧
该方法处理每一帧数据，首先通过get_rgbd_frame_from_realsense获取三个T265相机的RGB-D帧数据，然后通过frame_to_pose_conversion，把帧数据换成位姿数据

def process_frame(self):  # 定义处理帧的方法frame_count = 0       # 初始化帧计数器first_frame = True    # 标记是否为第一帧try:while frame_count < self.total_frame:  # 循环处理每一帧，直到达到总帧数t265_frames = self.t265_pipeline.wait_for_frames()      # 获取第一个T265相机的帧数据t265_frames_2 = self.t265_pipeline_2.wait_for_frames()  # 获取第二个T265相机的帧数据t265_frames_3 = self.t265_pipeline_3.wait_for_frames()  # 获取第三个T265相机的帧数据rgbd, depth_frame, color_frame = self.get_rgbd_frame_from_realsense()  # 获取RGB-D帧数据# 获取第一个T265相机的位姿数据pose_4x4 = RealsesneProcessor.frame_to_pose_conversion(input_t265_frames=t265_frames)# 获取第二个T265相机的位姿数据pose_4x4_2 = RealsesneProcessor.frame_to_pose_conversion(input_t265_frames=t265_frames_2)# 获取第三个T265相机的位姿数据pose_4x4_3 = RealsesneProcessor.frame_to_pose_conversion(input_t265_frames=t265_frames_3)

如果启用了手部数据保存功能，则从Redis服务器获取手部关节数据

            if self.save_hand:  # 如果启用了手部数据保存功能# 获取左手关节位置数据leftHandJointXyz = np.frombuffer(self.rds.get("rawLeftHandJointXyz"), dtype=np.float64).reshape(21, 3)# 获取右手关节位置数据rightHandJointXyz = np.frombuffer(self.rds.get("rawRightHandJointXyz"), dtype=np.float64).reshape(21, 3)# 获取左手关节方向数据leftHandJointOrientation = np.frombuffer(self.rds.get("rawLeftHandJointOrientation"), dtype=np.float64).reshape(21, 4)# 获取右手关节方向数据rightHandJointOrientation = np.frombuffer(self.rds.get("rawRightHandJointOrientation"), dtype=np.float64).reshape(21, 4)

将位姿数据转换为4x4矩阵，并应用校正矩阵

            corrected_pose = pose_4x4 @ between_cam  # 应用校正矩阵

且转换为Open3D格式的L515相机内参

# 转换为Open3D格式的L515相机内参o3d_depth_intrinsic = o3d.camera.PinholeCameraIntrinsic(1280,720,898.2010498046875,897.86669921875,657.4981079101562,364.30950927734375,)

如果是第一帧，则初始化Open3D的点云和坐标系，并添加到可视化器中

            if first_frame:  # 如果是第一帧if self.enable_visualization:  # 如果启用了可视化功能pcd = o3d.geometry.PointCloud.create_from_rgbd_image(rgbd, o3d_depth_intrinsic)  # 创建点云pcd.transform(corrected_pose)  # 应用校正矩阵rgbd_mesh = o3d.geometry.TriangleMesh.create_coordinate_frame(size=0.3)  # 创建RGBD坐标系rgbd_mesh.transform(corrected_pose)  # 应用校正矩阵rgbd_previous_pose = copy.deepcopy(corrected_pose)  # 复制校正矩阵chest_mesh = o3d.geometry.TriangleMesh.create_coordinate_frame(size=0.3)  # 创建胸部坐标系chest_mesh.transform(pose_4x4)  # 应用位姿矩阵chest_previous_pose = copy.deepcopy(pose_4x4)  # 复制位姿矩阵left_hand_mesh = (o3d.geometry.TriangleMesh.create_coordinate_frame(size=0.3))  # 创建左手坐标系left_hand_mesh.transform(pose_4x4_2)  # 应用位姿矩阵left_hand_previous_pose = copy.deepcopy(pose_4x4_2)  # 复制位姿矩阵right_hand_mesh = (o3d.geometry.TriangleMesh.create_coordinate_frame(size=0.3))  # 创建右手坐标系right_hand_mesh.transform(pose_4x4_3)  # 应用位姿矩阵right_hand_previous_pose = copy.deepcopy(pose_4x4_3)  # 复制位姿矩阵self.vis.add_geometry(pcd)          # 添加点云到可视化器self.vis.add_geometry(rgbd_mesh)    # 添加RGBD坐标系到可视化器self.vis.add_geometry(chest_mesh)   # 添加胸部坐标系到可视化器self.vis.add_geometry(left_hand_mesh)      # 添加左手坐标系到可视化器self.vis.add_geometry(right_hand_mesh)     # 添加右手坐标系到可视化器view_params = (self.vis.get_view_control().convert_to_pinhole_camera_parameters())  # 获取视图参数first_frame = False  # 标记为非第一帧

如果不是第一帧，则更新点云和坐标系的位姿

            else:if self.enable_visualization:  # 如果启用了可视化功能new_pcd = o3d.geometry.PointCloud.create_from_rgbd_image(rgbd, o3d_depth_intrinsic)  # 创建新的点云new_pcd.transform(corrected_pose)  # 应用校正矩阵rgbd_mesh.transform(np.linalg.inv(rgbd_previous_pose))  # 逆变换上一个RGBD坐标系rgbd_mesh.transform(corrected_pose)  # 应用校正矩阵rgbd_previous_pose = copy.deepcopy(corrected_pose)  # 复制校正矩阵chest_mesh.transform(np.linalg.inv(chest_previous_pose))  # 逆变换上一个胸部坐标系chest_mesh.transform(pose_4x4)  # 应用位姿矩阵chest_previous_pose = copy.deepcopy(pose_4x4)  # 复制位姿矩阵left_hand_mesh.transform(np.linalg.inv(left_hand_previous_pose))  # 逆变换上一个左手坐标系left_hand_mesh.transform(pose_4x4_2)  # 应用位姿矩阵left_hand_previous_pose = copy.deepcopy(pose_4x4_2)  # 复制位姿矩阵right_hand_mesh.transform(np.linalg.inv(right_hand_previous_pose))  # 逆变换上一个右手坐标系right_hand_mesh.transform(pose_4x4_3)  # 应用位姿矩阵right_hand_previous_pose = copy.deepcopy(pose_4x4_3)  # 复制位姿矩阵pcd.points = new_pcd.points      # 更新点云的点pcd.colors = new_pcd.colors      # 更新点云的颜色self.vis.update_geometry(pcd)          # 更新点云几何self.vis.update_geometry(rgbd_mesh)    # 更新RGBD坐标系几何self.vis.update_geometry(chest_mesh)   # 更新胸部坐标系几何self.vis.update_geometry(left_hand_mesh)   # 更新左手坐标系几何self.vis.update_geometry(right_hand_mesh)  # 更新右手坐标系几何self.vis.get_view_control().convert_from_pinhole_camera_parameters(view_params)  # 恢复视图参数

再更新可视化器

            if self.enable_visualization:  # 如果启用了可视化功能self.vis.poll_events()  # 处理可视化事件self.vis.update_renderer()  # 更新渲染器

如果启用了帧存储功能，则将深度图像、彩色图像和位姿数据存储到缓冲区中
处理完所有帧后，停止所有相机的流，并保存所有帧数据

主函数
主函数解析命令行参数，创建 RealsenseProcessor 对象，并配置和处理帧数据

import concurrent.futures  # 导入并发库，用于多线程处理def main(args):  # 定义主函数，接受命令行参数realsense_processor = RealsesneProcessor(  # 创建Realsense处理器对象first_t265_serial="11622110012",  # 第一个T265相机的序列号second_t265_serial="909212110944",  # 第二个T265相机的序列号thrid_t265_serial="929122111181",  # 第三个T265相机的序列号total_frame=10000,  # 总帧数store_frame=args.store_frame,  # 是否存储帧out_directory=args.out_directory,  # 输出目录save_hand=args.store_hand,  # 是否保存手部数据enable_visualization=args.enable_vis,  # 是否启用可视化)realsense_processor.configure_stream()  # 配置Realsense流realsense_processor.process_frame()  # 处理帧数据if __name__ == "__main__":  # 主程序入口# 设置命令行参数解析器parser = argparse.ArgumentParser(description="Process frames and save data.")parser.add_argument("-s","--store_frame",action="store_true",help="Flag to indicate whether to store frames",  # 是否存储帧的标志)parser.add_argument("--store_hand",action="store_true",help="Flag to indicate whether to store hand joint position and orientation",  # 是否保存手部关节位置和方向的标志)parser.add_argument("-v","--enable_vis",action="store_true",help="Flag to indicate whether to enable open3d visualization",  # 是否启用Open3D可视化的标志)parser.add_argument("-o","--out_directory",type=str,help="Output directory for saved data",  # 保存数据的输出目录default="./saved_data",  # 默认输出目录为./saved_data)args = parser.parse_args()  # 解析命令行参数

    # 检查输出目录是否存在if os.path.exists(args.out_directory):response = (input(f"{args.out_directory} already exists. Do you want to override? (y/n): ").strip().lower())if response != "y":  # 如果用户选择不覆盖，退出程序print("Exiting program without overriding the existing directory.")sys.exit()else:shutil.rmtree(args.out_directory)  # 如果用户选择覆盖，删除现有目录

如果启用了帧存储功能，则创建输出目录

    if args.store_frame:os.makedirs(args.out_directory, exist_ok=True)  # 创建输出目录

调用 main 函数开始处理帧数据

    # 如果用户选择覆盖，删除现有目录main(args)  # 调用主函数

1.3 demo_clipping_3d.py——可视化点云数据且选择每个演示的起始帧/结束帧

这段代码是一个用于可视化点云数据(PCD文件)，并选择每个演示的起始帧、结束帧的脚本，以下是详细解读

导入库
导入各种库和模块，用于处理命令行参数、文件操作、点云数据处理、键盘事件监听等

import argparse  # 用于解析命令行参数
import os      # 用于操作系统相关功能
import copy      # 用于复制对象
import zmq       # 用于消息传递
import cv2       # 用于图像处理
import sys       # 用于系统相关功能
import json      # 用于处理JSON数据
import shutil                # 用于文件操作
import open3d as o3d         # 用于3D数据处理
import numpy as np           # 用于数值计算
import platform              # 用于获取操作系统信息
from pynput import keyboard  # 用于监听键盘事件
from transforms3d.quaternions import qmult, quat2mat   # 用于四元数操作
from transforms3d.axangles import axangle2mat          # 用于轴角转换
from scipy.spatial.transform import Rotation           # 用于旋转矩阵和欧拉角转换
from transforms3d.euler import quat2euler, mat2euler, quat2mat, euler2mat  # 用于欧拉角和矩阵转换
from visualizer import *     # 导入自定义的可视化模块

定义全局变量，用于存储剪辑标记、当前剪辑、是否切换到下一帧或上一帧的标志

clip_marks = []         # 存储剪辑标记
current_clip = {}       # 存储当前剪辑
next_frame = False      # 标记是否切换到下一帧
previous_frame = False  # 标记是否切换到上一帧

定义键盘事件处理函数，用于处理不同的键盘输入：
Key.up：保存剪辑标记到 clip_marks. json 文件
Key.down：标记切换到上一帧
Key.page_down ：标记切换到下一帧
Key.end：标记当前剪辑的结束帧
Key.insert：标记当前剪辑的起始帧

def on_press(key):  # 定义键盘按下事件处理函数global next_frame, previous_frame, delta_movement_accu, delta_ori_accu, delta_movement_accu_left, delta_ori_accu_left, adjust_movement, adjust_right, frame, step, dataset_folder, clip_marks, current_clip# 确定操作系统类型os_type = platform.system()assert os_type == "Windows"              # 仅支持Windows系统frame_folder = 'frame_{}'.format(frame)  # 当前帧文件夹名称# Windows特定的键绑定在AttributeError部分处理if key == keyboard.Key.up:                  # y正方向with open(os.path.join(dataset_folder, 'clip_marks.json'), 'w') as f:json.dump(clip_marks, f, indent=4)  # 保存剪辑标记到JSON文件elif key == keyboard.Key.down:              # y负方向previous_frame = True                   # 切换到上一帧elif key == keyboard.Key.page_down:next_frame = True                       # 切换到下一帧elif key == keyboard.Key.end:if 'start' in current_clip.keys():print("end", frame_folder)current_clip['end'] = frame_folder   # 标记当前剪辑的结束帧clip_marks.append(current_clip)      # 添加当前剪辑到剪辑标记列表current_clip = {}          # 重置当前剪辑elif key == keyboard.Key.insert:print("start", frame_folder)current_clip['start'] = frame_folder     # 标记当前剪辑的起始帧else:print("Key error", key)        # 处理其他键的错误

数据可视化类
定义数据可祝化类 ReplayDatavisualizer，继承自DataVisualizer.
replay_frames 方法用于可视化单帧数据，并处理键盘事件以切换帧

class ReplayDataVisualizer(DataVisualizer):  # 定义数据重放可视化类，继承自DataVisualizerdef __init__(self, directory):super().__init__(directory)   # 调用父类的初始化方法def replay_frames(self):          # 定义重放帧的方法"""可视化单帧数据"""global delta_movement_accu, delta_ori_accu, next_frame, previous_frame, frameif self.R_delta_init is None:self.initialize_canonical_frame()  # 初始化标准帧self._load_frame_data(frame)           # 加载当前帧数据self.vis.add_geometry(self.pcd)            # 添加点云数据到可视化器self.vis.add_geometry(self.coord_frame_1)  # 添加坐标系1到可视化器self.vis.add_geometry(self.coord_frame_2)  # 添加坐标系2到可视化器self.vis.add_geometry(self.coord_frame_3)  # 添加坐标系3到可视化器for joint in self.left_joints + self.right_joints:self.vis.add_geometry(joint)  # 添加关节数据到可视化器for cylinder in self.left_line_set + self.right_line_set:self.vis.add_geometry(cylinder)  # 添加连线数据到可视化器next_frame = True  # 初始化为下一帧try:with keyboard.Listener(on_press=on_press) as listener:  # 监听键盘事件while True:if next_frame == True:next_frame = Falseframe += 10      # 切换到下一帧if previous_frame == True:previous_frame = Falseframe -= 10      # 切换到上一帧self._load_frame_data(frame)  # 加载当前帧数据self.step += 1       # 增加步数self.vis.update_geometry(self.pcd)            # 更新点云数据self.vis.update_geometry(self.coord_frame_1)  # 更新坐标系1self.vis.update_geometry(self.coord_frame_2)  # 更新坐标系2self.vis.update_geometry(self.coord_frame_3)  # 更新坐标系3for joint in self.left_joints + self.right_joints:self.vis.update_geometry(joint)      # 更新关节数据for cylinder in self.left_line_set + self.right_line_set:self.vis.update_geometry(cylinder)   # 更新连线数据self.vis.poll_events()      # 处理可视化事件self.vis.update_renderer()  # 更新渲染器listener.join()                 # 等待监听器结束finally:print("cumulative_correction ", self.cumulative_correction)  # 打印累计修正值

主函数
主函数解析命令行参数，获取数据目录

if __name__ == "__main__":  # 主程序入口parser = argparse.ArgumentParser(description="Visualize saved frame data.")  # 创建命令行参数解析器parser.add_argument("--directory", type=str, default="./saved_data", help="Directory with saved data")  # 添加目录参数args = parser.parse_args()  # 解析命令行参数

检查数据目录是否存在，如果存在 clip_marks. json 文件，询问用户是否覆盖

    assert os.path.exists(args.directory), f"given directory: {args.directory} not exists"  # 确认目录存在if os.path.exists(os.path.join(args.directory, 'clip_marks.json')):  # 检查剪辑标记文件是否存在response = (input(f"clip_marks.json already exists. Do you want to override? (y/n): ").strip().lower())if response != "y":print("Exiting program without overriding the existing directory.")  # 如果用户选择不覆盖，退出程序sys.exit()

初始化 ReplayDatavisualizer 对象，并加载校准偏移量和方向偏移量

    dataset_folder = args.directory  # 设置数据集文件夹visualizer = ReplayDataVisualizer(args.directory)   # 创建数据重放可视化器对象visualizer.right_hand_offset = np.loadtxt("{}/calib_offset.txt".format(args.directory))           # 加载右手偏移量visualizer.right_hand_ori_offset = np.loadtxt("{}/calib_ori_offset.txt".format(args.directory))       # 加载右手方向偏移量visualizer.left_hand_offset = np.loadtxt("{}/calib_offset_left.txt".format(args.directory))      # 加载左手偏移量visualizer.left_hand_ori_offset = np.loadtxt("{}/calib_ori_offset_left.txt".format(args.directory))  # 加载左手方向偏移量

调用replay_frames 方法开始可视化和处理键盛事件

    visualizer.replay_frames()  # 开始重放帧

1.4 redis_glove_server.py——接收UDP数据包并将手部关节数据存储到Redis数据库

这段代码是一个用于接收UDP数据包并将手部关节数据存储到Redis数据库的Python脚本

所谓UDP (User Datagram Protocol，用户数据报协议），其是一种简单的、面向无连接的传输层协议

与TCP (Transmission Control Protocol，传输控制协议）不同，UDP不提供可靠性、数据包顺序和流量控制等功能。UDP主要用于需要快速传输且对数据丢失不敏感的应用场景，例如视频流、在线游戏和实时通信等

以下是代码的详细解读：

导入库

import socket       # 用于网络通信
import json         # 用于处理JSON数据
import redis        # 用于连接Redis数据库
import numpy as np  # 用于数值计算

初始化Redis连接

# 初始化Redis连接
redis_host = "localhost"  # Redis服务器主机名
redis_port = 6669      # Redis服务器端口
redis_password = ""    # Redis服务器密码，如果没有密码则保持为空字符串
r = redis.StrictRedis(host=redis_host, port=redis_port, password=redis_password, decode_responses=True
)  # 创建Redis连接对象

定义手部关节名称

# 定义左手和右手的关节名称
left_hand_joint_names = ["leftHand",'leftThumbProximal', 'leftThumbMedial', 'leftThumbDistal', 'leftThumbTip','leftIndexProximal', 'leftIndexMedial', 'leftIndexDistal', 'leftIndexTip','leftMiddleProximal', 'leftMiddleMedial', 'leftMiddleDistal', 'leftMiddleTip','leftRingProximal', 'leftRingMedial', 'leftRingDistal', 'leftRingTip','leftLittleProximal', 'leftLittleMedial', 'leftLittleDistal', 'leftLittleTip']right_hand_joint_names = ["rightHand",'rightThumbProximal', 'rightThumbMedial', 'rightThumbDistal', 'rightThumbTip','rightIndexProximal', 'rightIndexMedial', 'rightIndexDistal', 'rightIndexTip','rightMiddleProximal', 'rightMiddleMedial', 'rightMiddleDistal', 'rightMiddleTip','rightRingProximal', 'rightRingMedial', 'rightRingDistal', 'rightRingTip','rightLittleProximal', 'rightLittleMedial', 'rightLittleDistal', 'rightLittleTip']

归一化函数

def normalize_wrt_middle_proximal(hand_positions, is_left=True):  # 定义相对于中指近端关节的归一化函数middle_proximal_idx = left_hand_joint_names.index('leftMiddleProximal')  # 获取左手中指近端关节的索引if not is_left:middle_proximal_idx = right_hand_joint_names.index('rightMiddleProximal')  # 获取右手中指近端关节的索引wrist_position = hand_positions[0]  # 获取手腕位置middle_proximal_position = hand_positions[middle_proximal_idx]  # 获取中指近端关节位置bone_length = np.linalg.norm(wrist_position - middle_proximal_position)  # 计算手腕到中指近端关节的骨骼长度normalized_hand_positions = (middle_proximal_position - hand_positions) / bone_length  # 归一化手部关节位置return normalized_hand_positions  # 返回归一化后的手部关节位置

启动服务器函数
创建并绑定UDP套接字

def start_server(port):  # 定义启动服务器的函数，接受端口号作为参数s = socket.socket(socket.AF_INET, socket.SOCK_DGRAM)  # 使用SOCK_DGRAM创建UDP套接字s.bind(("192.168.0.200", port))  # 绑定套接字到指定的IP地址和端口print(f"Server started, listening on port {port} for UDP packets...")  # 打印服务器启动信息

无限循环接收UDP数据包

    while True:  # 无限循环，持续接收数据data, address = s.recvfrom(64800)  # 接收UDP数据包，最大数据包大小为64800字节decoded_data = data.decode()       # 解码数据# 尝试解析JSON数据try:received_json = json.loads(decoded_data)    # 解析JSON数据# 初始化数组以存储手部关节位置和方向left_hand_positions = np.zeros((21, 3))     # 初始化左手关节位置数组，21个关节，每个关节3个坐标right_hand_positions = np.zeros((21, 3))    # 初始化右手关节位置数组，21个关节，每个关节3个坐标left_hand_orientations = np.zeros((21, 4))   # 初始化左手关节方向数组，21个关节，每个关节4个方向分量right_hand_orientations = np.zeros((21, 4))  # 初始化右手关节方向数组，21个关节，每个关节4个方向分量

解析接收到的数据包，提取手部关节位置和方向数据

            # 遍历JSON数据以提取手部关节位置和方向for joint_name in left_hand_joint_names:  # 遍历左手关节名称列表joint_data = received_json["scene"]["actors"][0]["body"][joint_name]  # 获取关节数据joint_position = np.array(list(joint_data["position"].values()))  # 获取关节位置joint_rotation = np.array(list(joint_data["rotation"].values()))  # 获取关节方向left_hand_positions[left_hand_joint_names.index(joint_name)] = joint_position  # 存储关节位置left_hand_orientations[left_hand_joint_names.index(joint_name)] = joint_rotation  # 存储关节方向for joint_name in right_hand_joint_names:  # 遍历右手关节名称列表joint_data = received_json["scene"]["actors"][0]["body"][joint_name]  # 获取关节数据joint_position = np.array(list(joint_data["position"].values()))  # 获取关节位置joint_rotation = np.array(list(joint_data["rotation"].values()))  # 获取关节方向right_hand_positions[right_hand_joint_names.index(joint_name)] = joint_position  # 存储关节位置right_hand_orientations[right_hand_joint_names.index(joint_name)] = joint_rotation  # 存储关节方向

计算相对于中指近端关节的相对距离，并进行归一化

            # 计算相对于中指近端关节的相对距离，并归一化left_middle_proximal_idx = left_hand_joint_names.index('leftMiddleProximal')    # 获取左手中指近端关节的索引right_middle_proximal_idx = right_hand_joint_names.index('rightMiddleProximal')  # 获取右手中指近端关节的索引left_wrist_position = left_hand_positions[0]    # 获取左手手腕位置right_wrist_position = right_hand_positions[0]  # 获取右手手腕位置left_middle_proximal_position = left_hand_positions[left_middle_proximal_idx]    # 获取左手中指近端关节位置right_middle_proximal_position = right_hand_positions[right_middle_proximal_idx]  # 获取右手中指近端关节位置left_bone_length = np.linalg.norm(left_wrist_position - left_middle_proximal_position)   # 计算左手骨骼长度right_bone_length = np.linalg.norm(right_wrist_position - right_middle_proximal_position)  # 计算右手骨骼长度normalized_left_hand_positions = (left_middle_proximal_position - left_hand_positions) / left_bone_length      # 归一化左手关节位置normalized_right_hand_positions = (right_middle_proximal_position - right_hand_positions) / right_bone_length    # 归一化右手关节位置

将原始和归一化后的手部关节数据存储到Redis数据库中

            r.set("leftHandJointXyz", np.array(normalized_left_hand_positions).astype(np.float64).tobytes())  # 将归一化后的左手关节位置存储到Redisr.set("rightHandJointXyz", np.array(normalized_right_hand_positions).astype(np.float64).tobytes())  # 将归一化后的右手关节位置存储到Redisr.set("rawLeftHandJointXyz", np.array(left_hand_positions).astype(np.float64).tobytes())  # 将原始左手关节位置存储到Redisr.set("rawRightHandJointXyz", np.array(right_hand_positions).astype(np.float64).tobytes())  # 将原始右手关节位置存储到Redisr.set("rawLeftHandJointOrientation", np.array(left_hand_orientations).astype(np.float64).tobytes())  # 将原始左手关节方向存储到Redisr.set("rawRightHandJointOrientation", np.array(right_hand_orientations).astype(np.float64).tobytes())  # 将原始右手关节方向存储到Redis

打印接收到的手部关节位置数据

            print("\n\n")print("=" * 50)print(np.round(left_hand_positions, 3))   # 打印左手关节位置print("-"*50)print(np.round(right_hand_positions, 3))  # 打印右手关节位置except json.JSONDecodeError:  # 捕获JSON解析错误print("Invalid JSON received:")   # 打印错误信息

主程序入口

if __name__ == "__main__":  # 主程序入口start_server(14551)  # 启动服务器，监听端口14551

1.5 replay_human_traj_vis.py——可视化保存点云数据和位姿(可用于查看所有帧和校准)

1.6 transform_to_robot_table.py——将可视化点云数据放置在机器人桌面上

1.7 visualizer.py——可视化手部关节数据

1.7.1 一系列定义：比如五个手指等

导入各种库和模块，用于处理命令行参数、文件操作、点云数据处理、键盘事件监听等

定义手部关节之间的连接线，用于可视化手部骨架

lines = np.array([# 拇指[1, 2], [2, 3], [3, 4],# 食指[5, 6], [6, 7], [7, 8],# 中指[9, 10], [10, 11], [11, 12],# 无名指[13, 14], [14, 15], [15, 16],# 小指[17, 18], [18, 19], [19, 20],# 连接近端关节[1, 5], [5, 9], [9, 13], [13, 17],# 连接手掌[0, 1], [17, 0]
])

定义一系列全局变量，用于存储累积的校正、当前帧、步长等信息

delta_movement_accu = np.array([0.0, 0.0, 0.0])       # 累积的位移校正
delta_ori_accu = np.array([0.0, 0.0, 0.0])            # 累积的方向校正
delta_movement_accu_left = np.array([0.0, 0.0, 0.0])  # 左手累积的位移校正
delta_ori_accu_left = np.array([0.0, 0.0, 0.0])  # 左手累积的方向校正
adjust_movement = True      # 是否调整位移
adjust_right = True         # 是否调整右手
next_frame = False          # 是否切换到下一帧
frame = 0            # 当前帧
step = 0.01          # 步长
fixed_transform = np.array([0.0, 0.0, 0.0])      # 固定变换

一些辅助函数
将手腕位置平移到原点

def translate_wrist_to_origin(joint_positions):  # 将手腕位置平移到原点wrist_position = joint_positions[0]          # 获取手腕位置updated_positions = joint_positions - wrist_position  # 平移所有关节位置return updated_positions          # 返回平移后的关节位置

应用位姿矩阵

def apply_pose_matrix(joint_positions, pose_matrix):  # 应用位姿矩阵homogeneous_joint_positions = np.hstack([joint_positions, np.ones((joint_positions.shape[0], 1))])          # 将关节位置转换为齐次坐标transformed_positions = np.dot(homogeneous_joint_positions, pose_matrix.T)  # 应用位姿矩阵transformed_positions_3d = transformed_positions[:, :3]  # 提取3D坐标return transformed_positions_3d               # 返回变换后的关节位置

创建或更新圆柱体

def create_or_update_cylinder(start, end, radius=0.003, cylinder_list=None, cylinder_idx=-1):  # 创建或更新圆柱体cyl_length = np.linalg.norm(end - start)  # 计算圆柱体的长度new_cylinder = o3d.geometry.TriangleMesh.create_cylinder(radius=radius, height=cyl_length, resolution=20, split=4)  # 创建新的圆柱体new_cylinder.paint_uniform_color([1, 0, 0])  # 将圆柱体涂成红色new_cylinder.translate(np.array([0, 0, cyl_length / 2]))  # 平移圆柱体direction = end - start  # 计算方向向量direction /= np.linalg.norm(direction)  # 归一化方向向量up = np.array([0, 0, 1])  # 圆柱体的默认向上向量rotation_axis = np.cross(up, direction)  # 计算旋转轴rotation_angle = np.arccos(np.dot(up, direction))  # 计算旋转角度if np.linalg.norm(rotation_axis) != 0:  # 如果旋转轴不为零rotation_axis /= np.linalg.norm(rotation_axis)  # 归一化旋转轴rotation_matrix = o3d.geometry.get_rotation_matrix_from_axis_angle(rotation_axis * rotation_angle)  # 计算旋转矩阵new_cylinder.rotate(rotation_matrix, center=np.array([0, 0, 0]))  # 旋转圆柱体new_cylinder.translate(start)  # 平移圆柱体到起始位置if cylinder_list[cylinder_idx] is not None:  # 如果圆柱体列表中已有圆柱体cylinder_list[cylinder_idx].vertices = new_cylinder.vertices  # 更新顶点cylinder_list[cylinder_idx].triangles = new_cylinder.triangles  # 更新三角形cylinder_list[cylinder_idx].vertex_normals = new_cylinder.vertex_normals  # 更新顶点法线cylinder_list[cylinder_idx].vertex_colors = new_cylinder.vertex_colors  # 更新顶点颜色else:cylinder_list[cylinder_idx] = new_cylinder  # 添加新的圆柱体到列表中

1.7.2 DataVisualizer类：用于可视化点云数据和手部关节数据

接下来，定义了一个名为DataVisualizer的类，用于可视化点云数据和手部关节数据

类定义和初始化

class DataVisualizer:  # 定义DataVisualizer类def __init__(self, directory):  # 初始化方法，接受数据目录作为参数self.directory = directory  # 初始化数据目录self.base_pcd = None  # 初始化基础点云对象self.pcd = None  # 初始化点云对象self.img_backproj = None  # 初始化图像反投影对象self.coord_frame_1 = None  # 初始化坐标系1self.coord_frame_2 = None  # 初始化坐标系2self.coord_frame_3 = None  # 初始化坐标系3self.right_hand_offset = None  # 初始化右手偏移量self.right_hand_ori_offset = None  # 初始化右手方向偏移量self.left_hand_offset = None  # 初始化左手偏移量self.left_hand_ori_offset = None  # 初始化左手方向偏移量self.pose1_prev = np.eye(4)  # 初始化第一个位姿矩阵self.pose2_prev = np.eye(4)  # 初始化第二个位姿矩阵self.pose3_prev = np.eye(4)  # 初始化第三个位姿矩阵self.vis = o3d.visualization.Visualizer()  # 创建Open3D可视化器self.vis.create_window()  # 创建可视化窗口self.vis.get_view_control().change_field_of_view(step=1.0)  # 改变视野self.between_cam = np.eye(4)  # 初始化相机之间的变换矩阵self.between_cam[:3, :3] = np.array([[1.0, 0.0, 0.0],[0.0, -1.0, 0.0],[0.0, 0.0, -1.0]])self.between_cam[:3, 3] = np.array([0.0, 0.076, 0.0])  # 设置平移部分self.between_cam_2 = np.eye(4)  # 初始化第二个相机之间的变换矩阵self.between_cam_2[:3, :3] = np.array([[1.0, 0.0, 0.0],[0.0, 1.0, 0.0],[0.0, 0.0, 1.0]])self.between_cam_2[:3, 3] = np.array([0.0, -0.032, 0.0])  # 设置平移部分self.between_cam_3 = np.eye(4)  # 初始化第三个相机之间的变换矩阵self.between_cam_3[:3, :3] = np.array([[1.0, 0.0, 0.0],[0.0, 1.0, 0.0],[0.0, 0.0, 1.0]])self.between_cam_3[:3, 3] = np.array([0.0, -0.064, 0.0])  # 设置平移部分self.canonical_t265_ori = None  # 初始化标准T265方向# 可视化左手21个关节self.left_joints = []  # 初始化左手关节列表self.right_joints = []  # 初始化右手关节列表self.left_line_set = [None for _ in lines]  # 初始化左手连线列表self.right_line_set = [None for _ in lines]  # 初始化右手连线列表for i in range(21):  # 遍历21个关节for joint in [self.left_joints, self.right_joints]:  # 遍历左手和右手关节列表# 为指尖和手腕创建较大的球体，为其他关节创建较小的球体radius = 0.011 if i in [0, 4, 8, 12, 16, 20] else 0.007sphere = o3d.geometry.TriangleMesh.create_sphere(radius=radius)  # 创建球体# 将手腕和近端关节涂成绿色if i in [0, 1, 5, 9, 13, 17]:sphere.paint_uniform_color([0, 1, 0])# 将指尖涂成红色elif i in [4, 8, 12, 16, 20]:sphere.paint_uniform_color([1, 0, 0])# 将其他关节涂成蓝色else:sphere.paint_uniform_color([0, 0, 1])# 将拇指涂成粉色if i in [1, 2, 3, 4]:sphere.paint_uniform_color([1, 0, 1])joint.append(sphere)  # 将球体添加到关节列表中self.vis.add_geometry(sphere)  # 将球体添加到可视化器中self.step = 0  # 初始化步数self.distance_buffer = []  # 初始化距离缓冲区self.R_delta_init = None  # 初始化旋转矩阵self.cumulative_correction = np.array([0.0, 0.0, 0.0])  # 初始化累计修正值

初始化标准帧的方法

    def initialize_canonical_frame(self):  # 初始化标准帧的方法if self.R_delta_init is None:      # 如果旋转矩阵未初始化self._load_frame_data(0)       # 加载第0帧数据pose_ori_matirx = self.pose3_prev[:3, :3]  # 获取第三个位姿的旋转矩阵pose_ori_correction_matrix = np.dot(np.array([[0, -1, 0],[0, 0, 1],[1, 0, 0]]), euler2mat(0, 0, 0))  # 计算修正矩阵pose_ori_matirx = np.dot(pose_ori_matirx, pose_ori_correction_matrix)  # 应用修正矩阵self.canonical_t265_ori = np.array([[1, 0, 0],[0, -1, 0],[0, 0, -1]])  # 初始化标准T265方向x_angle, y_angle, z_angle = mat2euler(self.pose3_prev[:3, :3])  # 将旋转矩阵转换为欧拉角self.canonical_t265_ori = np.dot(self.canonical_t265_ori, euler2mat(-z_angle, x_angle + 0.3, y_angle))      # 应用欧拉角修正self.R_delta_init = np.dot(self.canonical_t265_ori, pose_ori_matirx.T)  # 计算初始旋转矩阵

重放关键帧校准的方法

    def replay_keyframes_calibration(self):"""可视化单帧"""global delta_movement_accu, delta_ori_accu, next_frame, frameif self.R_delta_init is None:self.initialize_canonical_frame()    # 初始化标准帧self._load_frame_data(frame)      # 加载当前帧数据self.vis.add_geometry(self.pcd)      # 添加点云数据到可视化器self.vis.add_geometry(self.coord_frame_1)      # 添加坐标系1到可视化器self.vis.add_geometry(self.coord_frame_2)      # 添加坐标系2到可视化器self.vis.add_geometry(self.coord_frame_3)      # 添加坐标系3到可视化器for joint in self.left_joints + self.right_joints:self.vis.add_geometry(joint)  # 添加关节数据到可视化器for cylinder in self.left_line_set + self.right_line_set:self.vis.add_geometry(cylinder)      # 添加连线数据到可视化器next_frame = True  # 初始化为下一帧try:with keyboard.Listener(on_press=on_press) as listener:  # 监听键盘事件while True:if next_frame == True:next_frame = Falseframe += 10  # 切换到下一帧self._load_frame_data(frame)  # 加载当前帧数据self.step += 1  # 增加步数self.vis.update_geometry(self.pcd)      # 更新点云数据self.vis.update_geometry(self.coord_frame_1)      # 更新坐标系1self.vis.update_geometry(self.coord_frame_2)      # 更新坐标系2self.vis.update_geometry(self.coord_frame_3)      # 更新坐标系3for joint in self.left_joints + self.right_joints:self.vis.update_geometry(joint)      # 更新关节数据for cylinder in self.left_line_set + self.right_line_set:self.vis.update_geometry(cylinder)      # 更新连线数据self.vis.poll_events()      # 处理可视化事件self.vis.update_renderer()      # 更新渲染器listener.join()  # 等待监听器结束finally:print("cumulative_correction ", self.cumulative_correction)  # 打印累计修正值

重放所有帧的方法

    def replay_all_frames(self):"""连续可视化所有帧"""try:if self.R_delta_init is None:self.initialize_canonical_frame()  # 初始化标准帧frame = 0  # 初始化帧计数器first_frame = True  # 标记是否为第一帧while True:if not self._load_frame_data(frame):  # 加载当前帧数据break  # 如果无法加载数据，退出循环if first_frame:self.vis.add_geometry(self.pcd)  # 添加点云数据到可视化器self.vis.add_geometry(self.coord_frame_1)  # 添加坐标系1到可视化器self.vis.add_geometry(self.coord_frame_2)  # 添加坐标系2到可视化器self.vis.add_geometry(self.coord_frame_3)  # 添加坐标系3到可视化器for joint in self.left_joints + self.right_joints:self.vis.add_geometry(joint)  # 添加关节数据到可视化器for cylinder in self.left_line_set + self.right_line_set:self.vis.add_geometry(cylinder)  # 添加连线数据到可视化器else:self.vis.update_geometry(self.pcd)  # 更新点云数据self.vis.update_geometry(self.coord_frame_1)  # 更新坐标系1self.vis.update_geometry(self.coord_frame_2)  # 更新坐标系2self.vis.update_geometry(self.coord_frame_3)  # 更新坐标系3for joint in self.left_joints + self.right_joints:self.vis.update_geometry(joint)  # 更新关节数据for cylinder in self.left_line_set + self.right_line_set:self.vis.update_geometry(cylinder)  # 更新连线数据self.vis.poll_events()  # 处理可视化事件self.vis.update_renderer()  # 更新渲染器if first_frame:view_params = self.vis.get_view_control().convert_to_pinhole_camera_parameters()  # 获取视图参数else:self.vis.get_view_control().convert_from_pinhole_camera_parameters(view_params)  # 恢复视图参数self.step += 1  # 增加步数frame += 5  # 增加帧计数器if first_frame:first_frame = False  # 标记为非第一帧finally:self.vis.destroy_window()  # 销毁可视化窗口

反投影点的方法

    def _back_project_point(self, point, intrinsics):""" 将单个点从3D反投影到2D图像空间 """x, y, z = pointfx, fy = intrinsics[0, 0], intrinsics[1, 1]cx, cy = intrinsics[0, 2], intrinsics[1, 2]u = (x * fx / z) + cxv = (y * fy / z) + cyreturn int(u), int(v)

1.7.3 _load_frame_data：加载给定帧的点云和位姿数据，并进行可视化处理

最后是加载帧数据的方法，即_load_frame_data这个方法，用于加载给定帧的点云和位姿数据，并进行可视化处理

方法定义和参数说明

def _load_frame_data(self, frame, vis_2d=False, load_table_points=False):"""Load point cloud and poses for a given frame@param frame: frame count in integer@return whether we can successfully load all data from frame subdirectory"""global delta_movement_accu, delta_ori_accu, delta_movement_accu_left, delta_ori_accu_left  # 全局变量，用于存储累积的平移和旋转校正print(f"frame {frame}")  # 打印当前帧编号if adjust_movement:      # 如果启用了平移校正print("adjusting translation")    # 打印平移校正信息else:print("adjusting rotation")       # 打印旋转校正信息

初始化最顶部的L515相机内参

    # L515:o3d_depth_intrinsic = o3d.camera.PinholeCameraIntrinsic(1280, 720,898.2010498046875,897.86669921875,657.4981079101562,364.30950927734375)  # 初始化L515相机的内参

处理桌面点云数据

    if load_table_points:      # 如果需要加载桌面点云数据table_color_image_o3d = o3d.io.read_image(os.path.join(self.table_frame, "frame_0", "color_image.jpg"))      # 读取桌面彩色图像table_depth_image_o3d = o3d.io.read_image(os.path.join(self.table_frame, "frame_0", "depth_image.png"))      # 读取桌面深度图像table_rgbd = o3d.geometry.RGBDImage.create_from_color_and_depth(table_color_image_o3d, table_depth_image_o3d, depth_trunc=4.0,convert_rgb_to_intensity=False)     # 创建RGBD图像table_pose_4x4 = np.loadtxt(os.path.join(self.table_frame, "frame_0", "pose.txt"))  # 读取桌面位姿table_corrected_pose = table_pose_4x4 @ self.between_cam  # 应用校正矩阵self.table_pcd = o3d.geometry.PointCloud.create_from_rgbd_image(table_rgbd, o3d_depth_intrinsic)           # 创建点云self.table_pcd.transform(table_corrected_pose)  # 应用校正矩阵

加载当前帧数据

    frame_dir = os.path.join(self.directory, f"frame_{frame}")  # 当前帧目录color_image_o3d = o3d.io.read_image(os.path.join(frame_dir, "color_image.jpg"))  # 读取彩色图像depth_image_o3d = o3d.io.read_image(os.path.join(frame_dir, "depth_image.png"))  # 读取深度图像rgbd = o3d.geometry.RGBDImage.create_from_color_and_depth(color_image_o3d, depth_image_o3d, depth_trunc=4.0,convert_rgb_to_intensity=False)  # 创建RGBD图像pose_4x4 = np.loadtxt(os.path.join(frame_dir, "pose.txt"))  # 读取位姿if load_table_points:pose_4x4[:3, 3] += fixed_transform.T      # 应用固定变换corrected_pose = pose_4x4 @ self.between_cam  # 应用校正矩阵

检查位姿文件是否存在

    pose_path = os.path.join(frame_dir, "pose.txt")      # 位姿文件路径pose_2_path = os.path.join(frame_dir, "pose_2.txt")      # 第二个位姿文件路径pose_3_path = os.path.join(frame_dir, "pose_3.txt")      # 第三个位姿文件路径if not all(os.path.exists(path) for path in [pose_path, pose_2_path, pose_3_path]):      # 检查所有位姿文件是否存在return False      # 如果有文件不存在，返回False

创建或更新点云

    if self.pcd is None:      # 如果点云对象为空self.pcd = o3d.geometry.PointCloud.create_from_rgbd_image(rgbd, o3d_depth_intrinsic)      # 创建点云self.pcd.transform(corrected_pose)      # 应用校正矩阵else:new_pcd = o3d.geometry.PointCloud.create_from_rgbd_image(rgbd, o3d_depth_intrinsic)      # 创建新的点云new_pcd.transform(corrected_pose)       # 应用校正矩阵self.pcd.points = new_pcd.points      # 更新点云的点self.pcd.colors = new_pcd.colors      # 更新点云的颜色

加载并校正位姿

    pose_1 = np.loadtxt(pose_path)  # 读取第一个位姿if load_table_points:pose_1[:3, 3] += fixed_transform.T  # 应用固定变换pose_1 = pose_1 @ self.between_cam      # 应用校正矩阵pose_2 = np.loadtxt(pose_2_path)      # 读取第二个位姿if load_table_points:pose_2[:3, 3] += fixed_transform.T  # 应用固定变换pose_2 = pose_2 @ self.between_cam_2  # 应用校正矩阵pose_3 = np.loadtxt(pose_3_path)      # 读取第三个位姿if load_table_points:pose_3[:3, 3] += fixed_transform.T  # 应用固定变换pose_3 = pose_3 @ self.between_cam_3    # 应用校正矩阵

创建或更新坐标系

    if self.coord_frame_1 is None:  # 如果坐标系1为空self.coord_frame_1 = o3d.geometry.TriangleMesh.create_coordinate_frame(size=0.1)  # 创建坐标系1self.coord_frame_2 = o3d.geometry.TriangleMesh.create_coordinate_frame(size=0.1)  # 创建坐标系2self.coord_frame_3 = o3d.geometry.TriangleMesh.create_coordinate_frame(size=0.1)  # 创建坐标系3self.coord_frame_1 = self.coord_frame_1.transform(np.linalg.inv(self.pose1_prev))  # 逆变换上一个位姿self.coord_frame_1 = self.coord_frame_1.transform(pose_1)  # 应用当前位姿self.pose1_prev = copy.deepcopy(pose_1)  # 复制当前位姿self.coord_frame_2 = self.coord_frame_2.transform(np.linalg.inv(self.pose2_prev))  # 逆变换上一个位姿self.coord_frame_2 = self.coord_frame_2.transform(pose_2)  # 应用当前位姿self.pose2_prev = copy.deepcopy(pose_2)  # 复制当前位姿self.coord_frame_3 = self.coord_frame_3.transform(np.linalg.inv(self.pose3_prev))  # 逆变换上一个位姿self.coord_frame_3 = self.coord_frame_3.transform(pose_3)  # 应用当前位姿self.pose3_prev = copy.deepcopy(pose_3)  # 复制当前位姿

加载并处理左手关节数据

    # left hand, read from jointleft_hand_joint_xyz = np.loadtxt(os.path.join(frame_dir, "left_hand_joint.txt"))  # 读取左手关节位置self.left_hand_joint_xyz = left_hand_joint_xyz  # 存储左手关节位置left_hand_joint_xyz = translate_wrist_to_origin(left_hand_joint_xyz)  # 平移手腕到原点left_hand_joint_ori = np.loadtxt(os.path.join(frame_dir, "left_hand_joint_ori.txt"))[0]  # 读取左手关节方向self.left_hand_wrist_ori = left_hand_joint_ori  # 存储左手手腕方向left_rotation_matrix = Rotation.from_quat(left_hand_joint_ori).as_matrix().T  # 计算旋转矩阵left_hand_joint_xyz_reshaped = left_hand_joint_xyz[:, :, np.newaxis]  # 重塑关节位置left_transformed_joint_xyz = np.matmul(left_rotation_matrix, left_hand_joint_xyz_reshaped)  # 应用旋转矩阵left_hand_joint_xyz = left_transformed_joint_xyz[:, :, 0]  # 更新关节位置left_hand_joint_xyz[:, -1] = -left_hand_joint_xyz[:, -1]  # z轴反转rotation_matrix = axangle2mat(np.array([0, 1, 0]), -np.pi * 1 / 2)  # 绕y轴旋转left_hand_joint_xyz = np.dot(left_hand_joint_xyz, rotation_matrix.T)  # 应用旋转矩阵rotation_matrix = axangle2mat(np.array([1, 0, 0]), np.pi * 1 / 2)  # 绕x轴旋转left_hand_joint_xyz = np.dot(left_hand_joint_xyz, rotation_matrix.T)  # 应用旋转矩阵rotation_matrix = axangle2mat(np.array([0, 0, 1]), -np.pi * 1 / 2)  # 绕z轴旋转left_hand_joint_xyz = np.dot(left_hand_joint_xyz, rotation_matrix.T)  # 应用旋转矩阵left_hand_joint_xyz = np.dot(left_hand_joint_xyz, euler2mat(*self.left_hand_ori_offset).T)  # 应用欧拉角校正left_hand_joint_xyz = np.dot(left_hand_joint_xyz, euler2mat(*delta_ori_accu_left).T)  # 应用累积旋转校正left_hand_joint_xyz += self.left_hand_offset  # 应用平移校正left_hand_joint_xyz += delta_movement_accu_left  # 应用累积平移校正left_hand_joint_xyz = apply_pose_matrix(left_hand_joint_xyz, pose_2)  # 应用位姿矩阵

设置左手关节球体和连线

    # set joint sphere and linesfor i, sphere in enumerate(self.left_joints):  # 遍历左手关节球体transformation = np.eye(4)  # 创建4x4单位矩阵transformation[:3, 3] = left_hand_joint_xyz[i] - sphere.get_center()  # 计算平移向量sphere.transform(transformation)  # 应用平移变换for i, (x, y) in enumerate(lines):  # 遍历连线start = self.left_joints[x].get_center()  # 获取起点end = self.left_joints[y].get_center()  # 获取终点create_or_update_cylinder(start, end, cylinder_list=self.left_line_set, cylinder_idx=i)  # 创建或更新圆柱体

加载并处理右手关节数据

    # right hand, read from jointright_hand_joint_xyz = np.loadtxt(os.path.join(frame_dir, "right_hand_joint.txt"))  # 读取右手关节位置self.right_hand_joint_xyz = right_hand_joint_xyz  # 存储右手关节位置right_hand_joint_xyz = translate_wrist_to_origin(right_hand_joint_xyz)  # 平移手腕到原点right_hand_joint_ori = np.loadtxt(os.path.join(frame_dir, "right_hand_joint_ori.txt"))[0]  # 读取右手关节方向self.right_hand_wrist_ori = right_hand_joint_ori  # 存储右手手腕方向right_rotation_matrix = Rotation.from_quat(right_hand_joint_ori).as_matrix().T  # 计算旋转矩阵right_joint_xyz_reshaped = right_hand_joint_xyz[:, :, np.newaxis]  # 重塑关节位置right_transformed_joint_xyz = np.matmul(right_rotation_matrix, right_joint_xyz_reshaped)  # 应用旋转矩阵right_hand_joint_xyz = right_transformed_joint_xyz[:, :, 0]  # 更新关节位置right_hand_joint_xyz[:, -1] = -right_hand_joint_xyz[:, -1]  # z轴反转rotation_matrix = axangle2mat(np.array([0, 1, 0]), -np.pi * 1 / 2)  # 绕y轴旋转right_hand_joint_xyz = np.dot(right_hand_joint_xyz, rotation_matrix.T)  # 应用旋转矩阵rotation_matrix = axangle2mat(np.array([1, 0, 0]), np.pi * 1 / 2)  # 绕x轴旋转right_hand_joint_xyz = np.dot(right_hand_joint_xyz, rotation_matrix.T)  # 应用旋转矩阵rotation_matrix = axangle2mat(np.array([0, 0, 1]), -np.pi * 1 / 2)  # 绕z轴旋转right_hand_joint_xyz = np.dot(right_hand_joint_xyz, rotation_matrix.T)  # 应用旋转矩阵right_hand_joint_xyz = np.dot(right_hand_joint_xyz, euler2mat(*self.right_hand_ori_offset).T)  # 应用欧拉角校正right_hand_joint_xyz = np.dot(right_hand_joint_xyz, euler2mat(*delta_ori_accu).T)  # 应用累积旋转校正right_hand_joint_xyz += self.right_hand_offset  # 应用平移校正right_hand_joint_xyz += delta_movement_accu  # 应用累积平移校正right_hand_joint_xyz = apply_pose_matrix(right_hand_joint_xyz, pose_3)  # 应用位姿矩阵

可视化2D图像

    if vis_2d:  # 如果启用了2D可视化color_image = np.asarray(rgbd.color)  # 获取彩色图像color_image = cv2.cvtColor(color_image, cv2.COLOR_RGB2BGR)  # 转换颜色空间left_hand_joint_points_homogeneous = np.hstack((left_hand_joint_xyz, np.ones((left_hand_joint_xyz.shape[0], 1))))  # 转换为齐次坐标left_hand_transformed_points_homogeneous = np.dot(left_hand_joint_points_homogeneous, np.linalg.inv(corrected_pose).T)  # 应用逆变换left_hand_points_to_project = left_hand_transformed_points_homogeneous[:, :3] / left_hand_transformed_points_homogeneous[:, [3]]  # 归一化left_hand_back_projected_points = [self._back_project_point(point, o3d_depth_intrinsic.intrinsic_matrix) for point in left_hand_points_to_project]  # 反投影for i in range(len(left_hand_back_projected_points)):  # 遍历左手关节点u, v = left_hand_back_projected_points[i]  # 获取投影点坐标if i in [0, 1, 5, 9, 13, 17]:cv2.circle(color_image, (u, v), 10, (0, 255, 0), -1)  # 绘制绿色圆点elif i in [4, 8, 12, 16, 20]:cv2.circle(color_image, (u, v), 10, (255, 0, 0), -1)  # 绘制蓝色圆点else:cv2.circle(color_image, (u, v), 10, (0, 0, 255), -1)  # 绘制红色圆点if i in [1, 2, 3, 4]:cv2.circle(color_image, (u, v), 10, (255, 0, 255), -1)  # 绘制紫色圆点right_hand_joint_points_homogeneous = np.hstack((right_hand_joint_xyz, np.ones((right_hand_joint_xyz.shape[0], 1))))  # 转换为齐次坐标right_hand_transformed_points_homogeneous = np.dot(right_hand_joint_points_homogeneous, np.linalg.inv(corrected_pose).T)  # 应用逆变换right_hand_points_to_project = right_hand_transformed_points_homogeneous[:, :3] / right_hand_transformed_points_homogeneous[:, [3]]  # 归一化right_hand_back_projected_points = [self._back_project_point(point, o3d_depth_intrinsic.intrinsic_matrix) for point in right_hand_points_to_project]  # 反投影for i in range(len(right_hand_back_projected_points)):  # 遍历右手关节点u, v = right_hand_back_projected_points[i]  # 获取投影点坐标if i in [0, 1, 5, 9, 13, 17]:cv2.circle(color_image, (u, v), 10, (0, 255, 0), -1)  # 绘制绿色圆点elif i in [4, 8, 12, 16, 20]:cv2.circle(color_image, (u, v), 10, (255, 0, 0), -1)  # 绘制蓝色圆点else:cv2.circle(color_image, (u, v), 10, (0, 0, 255), -1)  # 绘制红色圆点if i in [1, 2, 3, 4]:cv2.circle(color_image, (u, v), 10, (255, 0,    if vis_2d:  # 如果启用了2D可视化color_image = np.asarray(rgbd.color)  # 获取彩色图像color_image = cv2.cvtColor(color_image, cv2.COLOR_RGB2BGR)  # 转换颜色空间left_hand_joint_points_homogeneous = np.hstack((left_hand_joint_xyz, np.ones((left_hand_joint_xyz.shape[0], 1))))  # 转换为齐次坐标left_hand_transformed_points_homogeneous = np.dot(left_hand_joint_points_homogeneous, np.linalg.inv(corrected_pose).T)  # 应用逆变换left_hand_points_to_project = left_hand_transformed_points_homogeneous[:, :3] / left_hand_transformed_points_homogeneous[:, [3]]  # 归一化left_hand_back_projected_points = [self._back_project_point(point, o3d_depth_intrinsic.intrinsic_matrix) for point in left_hand_points_to_project]  # 反投影for i in range(len(left_hand_back_projected_points)):  # 遍历左手关节点u, v = left_hand_back_projected_points[i]  # 获取投影点坐标if i in [0, 1, 5, 9, 13, 17]:cv2.circle(color_image, (u, v), 10, (0, 255, 0), -1)  # 绘制绿色圆点elif i in [4, 8, 12, 16, 20]:cv2.circle(color_image, (u, v), 10, (255, 0, 0), -1)  # 绘制蓝色圆点else:cv2.circle(color_image, (u, v), 10, (0, 0, 255), -1)  # 绘制红色圆点if i in [1, 2, 3, 4]:cv2.circle(color_image, (u, v), 10, (255, 0, 255), -1)  # 绘制紫色圆点right_hand_joint_points_homogeneous = np.hstack((right_hand_joint_xyz, np.ones((right_hand_joint_xyz.shape[0], 1))))  # 转换为齐次坐标right_hand_transformed_points_homogeneous = np.dot(right_hand_joint_points_homogeneous, np.linalg.inv(corrected_pose).T)  # 应用逆变换right_hand_points_to_project = right_hand_transformed_points_homogeneous[:, :3] / right_hand_transformed_points_homogeneous[:, [3]]  # 归一化right_hand_back_projected_points = [self._back_project_point(point, o3d_depth_intrinsic.intrinsic_matrix) for point in right_hand_points_to_project]  # 反投影for i in range(len(right_hand_back_projected_points)):  # 遍历右手关节点u, v = right_hand_back_projected_points[i]  # 获取投影点坐标if i in [0, 1, 5, 9, 13, 17]:cv2.circle(color_image, (u, v), 10, (0, 255, 0), -1)  # 绘制绿色圆点elif i in [4, 8, 12, 16, 20]:cv2.circle(color_image, (u, v), 10, (255, 0, 0), -1)  # 绘制蓝色圆点else:cv2.circle(color_image, (u, v), 10, (0, 0, 255), -1)  # 绘制红色圆点if i in [1, 2, 3, 4]:cv2.circle(color_image, (u, v), 10, (255, 0,

最后使用Open3D和OpenCV库来处理和现实3D和2D数据
以下是2D可视化部分
将RGBD图像的彩色部分转换为NumPy数组，并从RGB格式转换为BGR格式

if vis_2d:  # 如果启用了2D可视化color_image = np.asarray(rgbd.color)  # 将RGBD图像的彩色部分转换为NumPy数组color_image = cv2.cvtColor(color_image, cv2.COLOR_RGB2BGR)  # 将图像从RGB格式转换为BGR格式

处理左手和右手关节数据，将其转换为齐次坐标，应用校正矩阵，转换为 3D坐标，并反向投影到图像平面
在图像上绘制不同颜色的圆点表示不同的关节点

    # 处理左手关节数据left_hand_joint_points_homogeneous = np.hstack((left_hand_joint_xyz, np.ones((left_hand_joint_xyz.shape[0], 1))))  # 将左手关节位置转换为齐次坐标left_hand_transformed_points_homogeneous = np.dot(left_hand_joint_points_homogeneous, np.linalg.inv(corrected_pose).T)  # 应用校正矩阵left_hand_points_to_project = left_hand_transformed_points_homogeneous[:, :3] / left_hand_transformed_points_homogeneous[:, [3]]  # 将齐次坐标转换为3D坐标left_hand_back_projected_points = [self._back_project_point(point, o3d_depth_intrinsic.intrinsic_matrix) for point in left_hand_points_to_project]  # 反向投影到图像平面for i in range(len(left_hand_back_projected_points)):  # 遍历所有左手关节点u, v = left_hand_back_projected_points[i]  # 获取关节点的图像坐标if i in [0, 1, 5, 9, 13, 17]:  # 如果关节点是手腕或指根cv2.circle(color_image, (u, v), 10, (0, 255, 0), -1)  # 画绿色圆点elif i in [4, 8, 12, 16, 20]:  # 如果关节点是指尖cv2.circle(color_image, (u, v), 10, (255, 0, 0), -1)  # 画蓝色圆点else:  # 其他关节点cv2.circle(color_image, (u, v), 10, (0, 0, 255), -1)  # 画红色圆点if i in [1, 2, 3, 4]:  # 如果关节点是拇指cv2.circle(color_image, (u, v), 10, (255, 0, 255), -1)  # 画紫色圆点# 处理右手关节数据right_hand_joint_points_homogeneous = np.hstack((right_hand_joint_xyz, np.ones((right_hand_joint_xyz.shape[0], 1))))  # 将右手关节位置转换为齐次坐标right_hand_transformed_points_homogeneous = np.dot(right_hand_joint_points_homogeneous, np.linalg.inv(corrected_pose).T)  # 应用校正矩阵right_hand_points_to_project = right_hand_transformed_points_homogeneous[:, :3] / right_hand_transformed_points_homogeneous[:, [3]]  # 将齐次坐标转换为3D坐标right_hand_back_projected_points = [self._back_project_point(point, o3d_depth_intrinsic.intrinsic_matrix) for point in right_hand_points_to_project]  # 反向投影到图像平面for i in range(len(right_hand_back_projected_points)):  # 遍历所有右手关节点u, v = right_hand_back_projected_points[i]  # 获取关节点的图像坐标if i in [0, 1, 5, 9, 13, 17]:  # 如果关节点是手腕或指根cv2.circle(color_image, (u, v), 10, (0, 255, 0), -1)  # 画绿色圆点elif i in [4, 8, 12, 16, 20]:  # 如果关节点是指尖cv2.circle(color_image, (u, v), 10, (255, 0, 0), -1)  # 画蓝色圆点else:  # 其他关节点cv2.circle(color_image, (u, v), 10, (0, 0, 255), -1)  # 画红色圆点if i in [1, 2, 3, 4]:  # 如果关节点是拇指cv2.circle(color_image, (u, v), 10, (255, 0, 255), -1)  # 画紫色圆点

显示带有反向投影点的图像，并在按下'q'键时退出铺环

    cv2.imshow("Back-projected Points on Image", color_image)  # 显示带有反向投影点的图像# 如果按下'q'键，退出循环if cv2.waitKey(1) & 0xFF == ord('q'):return  # 退出函数

以下是3D可视化部分
设置右手关节球体的位置
创建或更新右手关节之问的连线

# 设置关节球体和连线
for i, sphere in enumerate(self.right_joints):  # 遍历右手关节球体transformation = np.eye(4)  # 创建4x4单位矩阵transformation[:3, 3] = right_hand_joint_xyz[i] - sphere.get_center()  # 计算平移向量sphere.transform(transformation)  # 应用平移变换
for i, (x, y) in enumerate(lines):  # 遍历连线start = self.right_joints[x].get_center()  # 获取连线起点end = self.right_joints[y].get_center()  # 获取连线终点create_or_update_cylinder(start, end, cylinder_list=self.right_line_set, cylinder_idx=i)  # 创建或更新连线的圆柱体return True  # 返回True表示成功

第二部分 STEP2_build_dataset

先导入库

import h5py          # 用于处理HDF5文件
import json          # 用于处理JSON数据
from scipy.linalg import svd      # 用于计算奇异值分解
from utils import *               # 导入自定义的工具函数
from hyperparameters import *     # 导入超参数
from pybullet_ik_bimanual import LeapPybulletIK      # 导入用于逆运动学计算的类

然后初始化全局变量

leapPybulletIK = LeapPybulletIK()    # 创建LeapPybulletIK对象
R_delta_init = None                  # 初始化旋转矩阵

2.1 dataset_utils.py

2.1.1 read_pose_data：读取和处理手部姿态数据(过程中使用 LeapPybulLetIK 计算逆运动学，得到手部关节的目标位置)

read_pose_data 用于读取和处理手部姿态数据。该函数从指定的文件路径中加载手部关节位置和
方向数据，并进行一系列转换和校正，最终返回处理后的数据

先定义函数本身和一些全局变量

def read_pose_data(frame_path, demo_path, fixed_trans_to_robot_table, first_frame=False):        # 定义读取姿态数据的函数global leapPybulletIK  # 声明全局变量 leapPybulletIKcam_pose_path = os.path.join(frame_path, "pose.txt")  # 相机姿态文件路径

加载左手姿态数据

    # 加载左手姿态数据left_pose_path = os.path.join(frame_path, "pose_2.txt")  # 左手姿态文件路径left_hand_pos_path = os.path.join(frame_path, "left_hand_joint.txt")      # 左手关节位置文件路径left_hand_ori_path = os.path.join(frame_path, "left_hand_joint_ori.txt")  # 左手关节方向文件路径left_hand_off_path = os.path.join(demo_path, "calib_offset_left.txt")     # 左手校准偏移量文件路径left_hand_off_ori_path = os.path.join(demo_path, "calib_ori_offset_left.txt")  # 左手校准方向偏移量文件路径pose_2 = np.loadtxt(left_pose_path)              # 加载左手姿态数据pose_2[:3, 3] += fixed_trans_to_robot_table.T    # 应用固定的平移量pose_2 = pose_2 @ between_cam_2          # 应用相机之间的转换矩阵left_hand_joint_xyz = np.loadtxt(left_hand_pos_path)      # 加载左手关节位置数据left_hand_joint_xyz = translate_wrist_to_origin(left_hand_joint_xyz)  # 将手腕位置平移到原点left_hand_wrist_ori = np.loadtxt(left_hand_ori_path)[0]   # 加载左手关节方向数据

加载右手姿态数据

    # 加载右手姿态数据pose_path = os.path.join(frame_path, "pose_3.txt")  # 右手姿态文件路径hand_pos_path = os.path.join(frame_path, "right_hand_joint.txt")      # 右手关节位置文件路径hand_ori_path = os.path.join(frame_path, "right_hand_joint_ori.txt")  # 右手关节方向文件路径hand_off_path = os.path.join(demo_path, "calib_offset.txt")  # 右手校准偏移量文件路径hand_off_ori_path = os.path.join(demo_path, "calib_ori_offset.txt")    # 右手校准方向偏移量文件路径pose_3 = np.loadtxt(pose_path)  # 加载右手姿态数据pose_3[:3, 3] += fixed_trans_to_robot_table.T  # 应用固定的平移量pose_3 = pose_3 @ between_cam_3  # 应用相机之间的转换矩阵right_hand_joint_xyz = np.loadtxt(hand_pos_path)     # 加载右手关节位置数据right_hand_joint_xyz = translate_wrist_to_origin(right_hand_joint_xyz)  # 将手腕位置平移到原点right_hand_wrist_ori = np.loadtxt(hand_ori_path)[0]  # 加载右手关节方向数据

计算逆运动学，其中计算逆运动学compute_IK的实现将在下文分析、讲解

    right_hand_target, left_hand_target, right_hand_points, left_hand_points = leapPybulletIK.compute_IK(right_hand_joint_xyz, right_hand_wrist_ori, left_hand_joint_xyz, left_hand_wrist_ori)      # 计算逆运动学np.savetxt(os.path.join(frame_path, "right_joints.txt"), right_hand_target)  # 保存右手关节目标位置np.savetxt(os.path.join(frame_path, "left_joints.txt"), left_hand_target)    # 保存左手关节目标位置

转换左手姿态

    # 转换左手姿态left_rotation_matrix = Rotation.from_quat(left_hand_wrist_ori).as_matrix().T  # 将四元数转换为旋转矩阵left_joint_xyz_reshaped = left_hand_joint_xyz[:, :, np.newaxis]  # 重塑左手关节位置数组left_transformed_joint_xyz = np.matmul(left_rotation_matrix, left_joint_xyz_reshaped)  # 应用旋转矩阵left_hand_joint_xyz = left_transformed_joint_xyz[:, :, 0]  # 获取转换后的左手关节位置left_hand_joint_xyz[:, -1] = -left_hand_joint_xyz[:, -1]  # 反转z轴rotation_matrix = axangle2mat(np.array([0, 1, 0]), -np.pi * 1 / 2)  # 绕y轴旋转left_hand_joint_xyz = np.dot(left_hand_joint_xyz, rotation_matrix.T)  # 应用旋转矩阵rotation_matrix = axangle2mat(np.array([1, 0, 0]), np.pi * 1 / 2)  # 绕x轴旋转left_hand_joint_xyz = np.dot(left_hand_joint_xyz, rotation_matrix.T)  # 应用旋转矩阵rotation_matrix = axangle2mat(np.array([0, 0, 1]), -np.pi * 1 / 2)  # 绕z轴旋转left_hand_joint_xyz = np.dot(left_hand_joint_xyz, rotation_matrix.T)  # 应用旋转矩阵left_hand_ori_offset = np.loadtxt(left_hand_off_ori_path)  # 加载左手校准方向偏移量left_hand_joint_xyz = np.dot(left_hand_joint_xyz, euler2mat(*left_hand_ori_offset).T)  # 应用旋转校准left_hand_offset = np.loadtxt(left_hand_off_path)  # 加载左手校准偏移量left_hand_joint_xyz += left_hand_offset  # 应用偏移量left_hand_joint_xyz = apply_pose_matrix(left_hand_joint_xyz, pose_2)  # 应用姿态矩阵update_pose_2 = copy.deepcopy(pose_2)  # 复制左手姿态矩阵update_pose_2[:3, 3] = left_hand_joint_xyz[0]  # 更新左手姿态矩阵的平移部分left_hand_joint_xyz = apply_pose_matrix(left_hand_joint_xyz, inverse_transformation(update_pose_2))  # 应用逆变换# 重要！由于手套上的相机安装角度为45度，需要在此处转换以获得正确的手部方向rotation_45lookup_matrix = axangle2mat(np.array([1, 0, 0]), np.pi * 1 / 4)  # 绕z轴旋转45度update_pose_2[:3, :3] = np.dot(update_pose_2[:3, :3], rotation_45lookup_matrix.T)  # 应用旋转矩阵if not first_frame:update_pose_2 = hand_to_robot_left(update_pose_2)  # 转换为机器人左手坐标系left_hand_translation = update_pose_2[:3, 3]  # 获取左手平移部分left_hand_rotation_matrix = update_pose_2[:3, :3]  # 获取左手旋转矩阵left_hand_quaternion = mat2quat(left_hand_rotation_matrix)  # 将旋转矩阵转换为四元数

转换右手姿态

    # 转换右手姿态right_rotation_matrix = Rotation.from_quat(right_hand_wrist_ori).as_matrix().T  # 将四元数转换为旋转矩阵right_joint_xyz_reshaped = right_hand_joint_xyz[:, :, np.newaxis]  # 重塑右手关节位置数组right_transformed_joint_xyz = np.matmul(right_rotation_matrix, right_joint_xyz_reshaped)  # 应用旋转矩阵right_hand_joint_xyz = right_transformed_joint_xyz[:, :, 0]  # 获取转换后的右手关节位置right_hand_joint_xyz[:, -1] = -right_hand_joint_xyz[:, -1]  # 反转z轴rotation_matrix = axangle2mat(np.array([0, 1, 0]), -np.pi * 1 / 2)  # 绕y轴旋转right_hand_joint_xyz = np.dot(right_hand_joint_xyz, rotation_matrix.T)  # 应用旋转矩阵rotation_matrix = axangle2mat(np.array([1, 0, 0]), np.pi * 1 / 2)  # 绕x轴旋转right_hand_joint_xyz = np.dot(right_hand_joint_xyz, rotation_matrix.T)  # 应用旋转矩阵rotation_matrix = axangle2mat(np.array([0, 0, 1]), -np.pi * 1 / 2)  # 绕z轴旋转right_hand_joint_xyz = np.dot(right_hand_joint_xyz, rotation_matrix.T)  # 应用旋转矩阵right_hand_ori_offset = np.loadtxt(hand_off_ori_path)  # 加载右手校准方向偏移量right_hand_joint_xyz = np.dot(right_hand_joint_xyz, euler2mat(*right_hand_ori_offset).T)  # 应用旋转校准right_hand_offset = np.loadtxt(hand_off_path)  # 加载右手校准偏移量right_hand_joint_xyz += right_hand_offset  # 应用偏移量right_hand_joint_xyz = apply_pose_matrix(right_hand_joint_xyz, pose_3)  # 应用姿态矩阵update_pose_3 = copy.deepcopy(pose_3)  # 复制右手姿态矩阵update_pose_3[:3, 3] = right_hand_joint_xyz[0]  # 更新右手姿态矩阵的平移部分right_hand_joint_xyz = apply_pose_matrix(right_hand_joint_xyz, inverse_transformation(update_pose_3))  # 应用逆变换# 重要！由于手套上的相机安装角度为45度，需要在此处转换以获得正确的手部方向rotation_45lookup_matrix = axangle2mat(np.array([1, 0, 0]), np.pi * 1 / 4)  # 绕z轴旋转45度update_pose_3[:3, :3] = np.dot(update_pose_3[:3, :3], rotation_45lookup_matrix.T)  # 应用旋转矩阵if not first_frame:update_pose_3 = hand_to_robot(update_pose_3)  # 转换为机器人右手坐标系right_hand_translation = update_pose_3[:3, 3]  # 获取右手平移部分right_hand_rotation_matrix = update_pose_3[:3, :3]  # 获取右手旋转矩阵right_hand_quaternion = mat2quat(right_hand_rotation_matrix)  # 将旋转矩阵转换为四元数

加载相机姿态数据

    cam_pose_4x4 = np.loadtxt(cam_pose_path)  # 加载相机姿态数据cam_pose_4x4[:3, 3] += fixed_trans_to_robot_table.T  # 应用固定的平移量cam_corrected_pose = cam_pose_4x4 @ between_cam  # 应用相机之间的转换矩阵cam_corrected_pose = cam_corrected_pose.flatten()  # 将矩阵展平return (np.concatenate([right_hand_translation, right_hand_quaternion, right_hand_target]),np.concatenate([left_hand_translation, left_hand_quaternion, left_hand_target]),cam_corrected_pose,right_hand_joint_xyz.flatten(),left_hand_joint_xyz.flatten(),right_hand_points,left_hand_points)  # 返回处理后的数据

总共，这段代码定义了一个名为read_pose_data 的函数，用于读取和处理手部姿态数据。具体步骤如下：

加载左手和右手的姿态数据：从指定的文件路径中加载手部关节位置和方向数据
计算逆运动学：使用 LeapPybulLetIK 计算逆运动学，得到手部关节的目标位置
转换左手和右手的姿态：将手部关节位置和方向数据转换为标准坐标系，并应用校准偏移量和旋转矩阵
加载相机姿态数据：从指定的文件路径中加载相机姿态数据，并应用固定的平移量和相机之间的转换矩阵
返回处理后的数据：返回处理后的手部和相机姿态数据，包括关节位置、方向和目标位置

通过这些步骤，函数能够读取和处理手部姿态数据，并将其转换为标准坐标系，供后续处理和分析使用

2.1.2 process_hdf5：处理多个数据集(手部姿态/图像/点云)，作为模型的训练数据集

这段代码的主要功能是处理多个数据集文件夹中的数据——比如手部姿态数据、图像数据、点云数据，并将处理后的数据保存到一个HDF5文件中，从而作为训练机器学习模型的数据集

具体步骤如下：

初始化：创建Open3D可视化器和空的点云对象，打开HDF5文件用于写入

def process_hdf5(output_hdf5_file, dataset_folders, action_gap, num_points_to_sample, in_wild_data=False):  # 定义处理HDF5文件的函数global R_delta_init      # 声明全局变量 R_delta_initvis = o3d.visualization.Visualizer()    # 创建Open3D可视化器vis.create_window()      # 创建可视化窗口pcd_vis = o3d.geometry.PointCloud()     # 初始化空的点云对象firstfirst = True        # 标记是否为第一次更新可视化器with h5py.File(output_hdf5_file, 'w') as output_hdf5:      # 打开HDF5文件用于写入output_data_group = output_hdf5.create_group('data')   # 创建数据组demo_index = 0          # 初始化演示索引total_frames = 0        # 初始化总帧数mean_init_pos = []      # 初始化初始位置均值列表mean_init_quat = []     # 初始化初始四元数均值列表

遍历数据集文件夹：加载剪辑标记文件，读取手部姿态数据、图像数据和点云数据

        for dataset_folder in dataset_folders:  # 遍历数据集文件夹clip_marks_json = os.path.join(dataset_folder, 'clip_marks.json')  # 剪辑标记文件路径if in_wild_data:  # 如果数据是在野外收集的，读取固定的平移量到机器人桌面fixed_trans_to_robot_table = np.loadtxt(os.path.join(dataset_folder, 'map_to_robot_table_trans.txt'))else:fixed_trans_to_robot_table = np.array([0.0, 0.0, 0.0])  # 否则，平移量为零# 加载剪辑标记with open(clip_marks_json, 'r') as file:clip_marks = json.load(file)  # 读取剪辑标记for clip in clip_marks:  # 遍历每个剪辑# 保存第0帧并更新 R_delta_initframe0_pose_data, frame0_left_pose_data, _, _, _, _, _ = read_pose_data(os.path.join(dataset_folder, f'frame_0'), dataset_folder, fixed_trans_to_robot_table=fixed_trans_to_robot_table, first_frame=True)update_R_delta_init(frame0_pose_data[:3], frame0_pose_data[3:7])  # 更新 R_delta_init# 获取起始和结束帧编号start_frame = int(clip['start'].split('_')[-1])end_frame = int(clip['end'].split('_')[-1])clip_length = end_frame - start_frame + 1  # 包括第0帧agentview_images = []  # 初始化代理视角图像列表pointcloud = []  # 初始化点云列表poses = []  # 初始化姿态列表poses_left = []  # 初始化左手姿态列表states = []  # 初始化状态列表glove_states = []  # 初始化手套状态列表left_glove_states = []  # 初始化左手手套状态列表labels = []  # 初始化标签列表

处理每一帧数据：调整图像大小，遮罩手部图像

                for frame_number in list(range(start_frame, end_frame + 1)):  # 遍历每一帧frame_folder = f'frame_{frame_number}'  # 帧文件夹名称image_path = os.path.join(dataset_folder, frame_folder, "color_image.jpg")  # 彩色图像路径frame_path = os.path.join(dataset_folder, frame_folder)  # 帧文件夹路径# 加载手部姿态数据pose_data, left_pose_data, cam_data, glove_data, left_glove_data, right_hand_points, left_hand_points = read_pose_data(frame_path, dataset_folder, fixed_trans_to_robot_table=fixed_trans_to_robot_table)poses.append(pose_data)  # 添加右手姿态数据poses_left.append(left_pose_data)  # 添加左手姿态数据states.append(cam_data)  # 添加相机数据glove_states.append(glove_data)  # 添加右手手套数据left_glove_states.append(left_glove_data)  # 添加左手手套数据# 处理图像resized_image = resize_image(image_path)  # 调整图像大小resized_image, right_hand_show = mask_image(resized_image, pose_data, cam_data)  # 遮罩右手图像resized_image, left_hand_show = mask_image(resized_image, left_pose_data, cam_data, left=True)  # 遮罩左手图像agentview_images.append(resized_image)  # 添加调整大小后的图像

处理点云数据

                    # 处理点云color_image_o3d = o3d.io.read_image(os.path.join(dataset_folder, frame_folder, "color_image.jpg"))  # 读取彩色图像depth_image_o3d = o3d.io.read_image(os.path.join(dataset_folder, frame_folder, "depth_image.png"))  # 读取深度图像max_depth = 1000  # 最大深度depth_array = np.asarray(depth_image_o3d)  # 将深度图像转换为数组mask = depth_array > max_depth  # 创建深度掩码depth_array[mask] = 0  # 将超过最大深度的值设为0filtered_depth_image = o3d.geometry.Image(depth_array)  # 创建过滤后的深度图像rgbd = o3d.geometry.RGBDImage.create_from_color_and_depth(color_image_o3d, filtered_depth_image, depth_trunc=4.0, convert_rgb_to_intensity=False)  # 创建RGBD图像pose_4x4 = np.loadtxt(os.path.join(dataset_folder, frame_folder, "pose.txt"))  # 加载姿态数据pose_4x4[:3, 3] += fixed_trans_to_robot_table.T  # 应用固定的平移量corrected_pose = pose_4x4 @ between_cam  # 应用相机之间的转换矩阵pcd = o3d.geometry.PointCloud.create_from_rgbd_image(rgbd, o3d_depth_intrinsic)  # 从RGBD图像创建点云pcd.transform(corrected_pose)  # 应用校正矩阵color_pcd = np.concatenate((np.array(pcd.points), np.array(pcd.colors)), axis=-1)  # 合并点云和颜色数据if right_hand_show:  # 如果检测到右手，合并右手点云transformed_point_cloud = transform_right_leap_pointcloud_to_camera_frame(right_hand_points, pose_data)colored_hand_point_cloud = np.concatenate((transformed_point_cloud, np.zeros((transformed_point_cloud.shape[0], 3))), axis=1)color_pcd = np.concatenate((color_pcd, colored_hand_point_cloud), axis=0)if left_hand_show:  # 如果检测到左手，合并左手点云transformed_point_cloud_left = transform_left_leap_pointcloud_to_camera_frame(left_hand_points, left_pose_data)colored_hand_point_cloud_left = np.concatenate((transformed_point_cloud_left, np.zeros((transformed_point_cloud_left.shape[0], 3))), axis=1)color_pcd = np.concatenate((color_pcd, colored_hand_point_cloud_left), axis=0)

移除冗余点

                    # 移除桌面表面和背景下方的冗余点centroid = np.mean(robot_table_corner_points, axis=0)  # 计算质心A = robot_table_corner_points - centroid  # 计算偏移U, S, Vt = svd(A)  # 进行奇异值分解normal = Vt[-1]  # 获取法向量d = -np.dot(normal, centroid)  # 计算平面方程中的dxyz = color_pcd[:, :3]  # 获取点云的xyz坐标for plane_gap in table_sweep_list:  # 遍历平面高度below_plane = np.dot(xyz, normal[:3]) + d + plane_gap < 0  # 判断点是否在平面下方if len(color_pcd[~below_plane]) > num_points_to_sample:  # 如果点数大于采样点数color_pcd = color_pcd[~below_plane]  # 移除平面下方的点break

下采样点云

                    # 下采样点云if len(color_pcd) > num_points_to_sample:indices = np.random.choice(len(color_pcd), num_points_to_sample, replace=False)  # 随机选择点color_pcd = color_pcd[indices]  # 获取采样点pointcloud.append(copy.deepcopy(color_pcd))  # 添加点云数据labels.append(0)  # 添加标签# 更新点云可视化pcd_vis.points = o3d.utility.Vector3dVector(color_pcd[:, :3])  # 设置点云的点pcd_vis.colors = o3d.utility.Vector3dVector(color_pcd[:, 3:])  # 设置点云的颜色if firstfirst:vis.add_geometry(pcd_vis)  # 添加几何体到可视化器firstfirst = False  # 标记为非第一次else:vis.update_geometry(pcd_vis)  # 更新几何体vis.poll_events()  # 处理可视化事件vis.update_renderer()  # 更新渲染器

更新可视化：更新点云和图像的可视化显示

                    # 更新图像可视化cv2.imshow("masked_resized_image", resized_image)  # 显示遮罩后的图像cv2.waitKey(1)  # 等待键盘输入

生成动作轨迹：根据 action_gap 生成动作轨迹，并保存到HDF5文件中
先

               poses = np.array(poses)  # 转换姿态列表为数组robot0_eef_pos = poses[:, :3]  # 获取末端执行器位置robot0_eef_quat = poses[:, 3:7]  # 获取末端执行器四元数robot0_eef_hand = (poses[:, 7:] - np.pi) * 0.5  # 缩放手部关节位置poses_left = np.array(poses_left)  # 转换左手姿态列表为数组robot0_eef_pos_left = poses_left[:, :3]  # 获取左手末端执行器位置robot0_eef_quat_left = poses_left[:, 3:7]  # 获取左手末端执行器四元数robot0_eef_hand_left = (poses_left[:, 7:] - np.pi) * 0.5  # 缩放左手关节位置robot0_eef_pos = np.concatenate((robot0_eef_pos, robot0_eef_pos_left), axis=-1)  # 合并左右手末端执行器位置robot0_eef_quat = np.concatenate((robot0_eef_quat, robot0_eef_quat_left), axis=-1)  # 合并左右手末端执行器四元数robot0_eef_hand = np.concatenate((robot0_eef_hand, robot0_eef_hand_left), axis=-1)  # 合并左右手关节位置actions_pos = np.concatenate((robot0_eef_pos[action_gap:], robot0_eef_pos[-1:].repeat(action_gap, axis=0)), axis=0)  # 生成动作位置actions_rot = np.concatenate((robot0_eef_quat[action_gap:], robot0_eef_quat[-1:].repeat(action_gap, axis=0)), axis=0)  # 生成动作旋转actions_hand = np.concatenate((robot0_eef_hand[action_gap:], robot0_eef_hand[-1:].repeat(action_gap, axis=0)), axis=0)  # 生成动作手部姿态actions = np.concatenate((actions_pos, actions_rot, actions_hand), axis=-1)  # 合并手臂和手部动作

后

                for j in range(action_gap):  # 根据 action_gap 生成轨迹demo_name = f'demo_{demo_index}'  # 演示名称output_demo_group = output_data_group.create_group(demo_name)  # 创建演示组print("{} saved".format(demo_name))  # 打印保存信息demo_index += 1  # 增加演示索引output_demo_group.attrs['frame_0_eef_pos'] = frame0_pose_data[:3]  # 设置第0帧末端执行器位置output_demo_group.attrs['frame_0_eef_quat'] = frame0_pose_data[3:7]  # 设置第0帧末端执行器四元数output_obs_group = output_demo_group.create_group('obs')  # 创建观察组output_obs_group.create_dataset('agentview_image', data=np.array(agentview_images)[j::action_gap])  # 保存代理视角图像output_obs_group.create_dataset('pointcloud', data=np.array(pointcloud)[j::action_gap])  # 保存点云数据output_obs_group.create_dataset('robot0_eef_pos', data=copy.deepcopy(robot0_eef_pos)[j::action_gap])  # 保存末端执行器位置output_obs_group.create_dataset('robot0_eef_quat', data=copy.deepcopy(robot0_eef_quat)[j::action_gap])  # 保存末端执行器四元数output_obs_group.create_dataset('robot0_eef_hand', data=copy.deepcopy(robot0_eef_hand)[j::action_gap])  # 保存手部姿态output_obs_group.create_dataset('label', data=np.array(labels)[j::action_gap])  # 保存标签output_demo_group.create_dataset('actions', data=copy.deepcopy(actions)[j::action_gap])  # 保存动作# 创建 'dones', 'rewards', 和 'states'dones = np.zeros(clip_length, dtype=np.int64)  # 初始化 'dones'dones[-1] = 1  # 设置最后一帧的 'done' 为 1output_demo_group.create_dataset('dones', data=dones[j::action_gap])  # 保存 'dones'rewards = np.zeros(clip_length, dtype=np.float64)  # 初始化 'rewards'output_demo_group.create_dataset('rewards', data=rewards[j::action_gap])  # 保存 'rewards'output_demo_group.create_dataset('states', data=states[j::action_gap])  # 保存状态output_demo_group.create_dataset('glove_states', data=glove_states[j::action_gap])  # 保存手套状态output_demo_group.attrs['num_samples'] = len(actions[j::action_gap])  # 设置样本数量total_frames += len(actions[j::action_gap])  # 增加总帧数mean_init_pos.append(copy.deepcopy(robot0_eef_pos[j]))  # 添加初始位置mean_init_quat.append(copy.deepcopy(robot0_eef_quat[j]))  # 添加初始四元数mean_init_hand.append(copy.deepcopy(robot0_eef_hand[j]))  # 添加初始手部姿态output_data_group.attrs['total'] = total_frames  # 设置总帧数

计算初始位置的均值：计算初始位置、四元数和手部姿态的均值，并保存到HDF5文件中

        # 计算初始位置的均值mean_init_pos = np.array(mean_init_pos).mean(axis=0)  # 计算初始位置均值mean_init_quat = mean_init_quat[0]  # 获取初始四元数mean_init_hand = np.array(mean_init_hand).mean(axis=0)  # 计算初始手部姿态均值output_data_group.attrs['mean_init_pos'] = mean_init_pos  # 设置初始位置均值output_data_group.attrs['mean_init_quat'] = mean_init_quat  # 设置初始四元数output_data_group.attrs['mean_init_hand'] = mean_init_hand  # 设置初始手部姿态均值

2.2 pybullet_ik_bimanual.py——含点云生成、计算逆运动学compute_IK的实现

2.2.1 导入库、类的定义和初始化、获取网格点云的方法等等

导入库

import pybullet_data       # 导入 PyBullet 数据库
from yourdfpy import URDF  # 导入 URDF 解析库
from transforms3d.euler import quat2euler, euler2quat  # 导入四元数和欧拉角转换函数
from utils import *        # 导入自定义工具函数
from hyperparameters import *   # 导入超参数

类定义和初始化

class LeapPybulletIK():  # 定义 LeapPybulletIK 类def __init__(self):  # 初始化方法# 启动 PyBulletclid = p.connect(p.SHARED_MEMORY)  # 尝试连接到共享内存if clid < 0:p.connect(p.GUI)  # 如果连接失败，则启动 GUIp.setAdditionalSearchPath(pybullet_data.getDataPath())  # 设置 PyBullet 数据路径p.loadURDF("plane.urdf", [0, 0, -0.3])  # 加载平面 URDF# 加载右手 LEAP 模型self.LeapId = p.loadURDF("leap_hand_mesh/robot_pybullet.urdf",[0.0, 0.0, 0.0],rotate_quaternion(0.0, 0.0, 0.0),)# 加载左手 LEAP 模型self.left_offset = 1.0  # 为了可视化，将左手和右手分开self.LeapId_2 = p.loadURDF("leap_hand_mesh/robot_pybullet.urdf",[0.0, self.left_offset, 0.0],rotate_quaternion(0.0, 0.0, 0.0),)self.leap_center_offset = [0.18, 0.03, 0.0]  # 由于 LEAP 手部 URDF 的根节点不在手掌根部（在食指根部），我们设置一个偏移量来校正根位置self.leapEndEffectorIndex = [4, 9, 14, 19]  # 指尖关节索引self.fingertip_offset = np.array([0.1, 0.0, -0.08])  # 由于 URDF 中指尖网格的根节点不在指尖（在指尖网格的右下部分），我们设置一个偏移量来校正指尖位置self.thumb_offset = np.array([0.1, 0.0, -0.06])  # 同样的原因，校正拇指尖位置self.numJoints = p.getNumJoints(self.LeapId)  # 获取 LEAP 手部的关节数量self.hand_lower_limits, self.hand_upper_limits, self.hand_joint_ranges = self.get_joint_limits(self.LeapId)  # 获取 LEAP 手部的关节限制self.HAND_Q = np.array([np.pi / 6, -np.pi / 6, np.pi / 3, np.pi / 3,np.pi / 6, 0.0, np.pi / 3, np.pi / 3,np.pi / 6, np.pi / 6, np.pi / 3, np.pi / 3,np.pi / 6, np.pi / 6, np.pi / 3, np.pi / 3])  # 为了避免 LEAP 手部的自碰撞，我们定义一个参考姿态用于零空间 IK# 加载左手和右手的 URDF，用于在正向运动学期间生成点云self.urdf_dict = {}self.Leap_urdf = URDF.load("leap_hand_mesh/robot_pybullet.urdf")self.Leap_urdf_2 = URDF.load("leap_hand_mesh/robot_pybullet.urdf")self.urdf_dict["right_leap"] = {"scene": self.Leap_urdf.scene,"mesh_list": self._load_meshes(self.Leap_urdf.scene),}self.urdf_dict["left_leap"] = {"scene": self.Leap_urdf_2.scene,"mesh_list": self._load_meshes(self.Leap_urdf_2.scene),}self.create_target_vis()  # 创建目标可视化p.setGravity(0, 0, 0)  # 设置重力useRealTimeSimulation = 0  # 禁用实时模拟p.setRealTimeSimulation(useRealTimeSimulation)  # 设置实时模拟

获取关节限制的方法

    def get_joint_limits(self, robot):  # 获取关节限制的方法joint_lower_limits = []  # 初始化关节下限列表joint_upper_limits = []  # 初始化关节上限列表joint_ranges = []  # 初始化关节范围列表for i in range(p.getNumJoints(robot)):  # 遍历所有关节joint_info = p.getJointInfo(robot, i)  # 获取关节信息if joint_info[2] == p.JOINT_FIXED:  # 如果关节是固定的，跳过continuejoint_lower_limits.append(joint_info[8])  # 添加关节下限joint_upper_limits.append(joint_info[9])  # 添加关节上限joint_ranges.append(joint_info[9] - joint_info[8])  # 计算并添加关节范围return joint_lower_limits, joint_upper_limits, joint_ranges  # 返回关节限制

加载网格的方法

    def _load_meshes(self, scene):  # 加载网格的方法mesh_list = []          # 初始化网格列表for name, g in scene.geometry.items():  # 遍历场景中的几何体mesh = g.as_open3d      # 将几何体转换为 Open3D 网格mesh_list.append(mesh)  # 添加到网格列表return mesh_list        # 返回网格列表

更新网格的方法

    def _update_meshes(self, type):  # 更新网格的方法mesh_new = o3d.geometry.TriangleMesh()  # 创建新的三角网格for idx, name in enumerate(self.urdf_dict[type]["scene"].geometry.keys()):  # 遍历几何体mesh_new += copy.deepcopy(self.urdf_dict[type]["mesh_list"][idx]).transform(self.urdf_dict[type]["scene"].graph.get(name)[0])  # 更新网格return mesh_new  # 返回更新后的网格

获取网格点云的方法
顺带提下，通过生成点云，可以更好的理解和处理三维空间中的信息，从而实现更复杂和精确的任务

    def get_mesh_pointcloud(self, joint_pos, joint_pos_left):  # 获取网格点云的方法self.Leap_urdf.update_cfg(joint_pos)   # 更新右手关节配置right_mesh = self._update_meshes("right_leap")  # 获取更新后的右手网格robot_pc = right_mesh.sample_points_uniformly(number_of_points=80000)  # 从网格中均匀采样点云self.Leap_urdf_2.update_cfg(joint_pos_left)   # 更新左手关节配置left_mesh = self._update_meshes("left_leap")  # 获取更新后的左手网格robot_pc_left = left_mesh.sample_points_uniformly(number_of_points=80000)  # 从网格中均匀采样点云# 将采样的网格点云转换为 Open3D 期望的格式new_points = np.asarray(robot_pc.points)      # 将点云转换为 NumPy 数组new_points_left = np.asarray(robot_pc_left.points)    # 将点云转换为 NumPy 数组new_points_left[:, 1] = -1.0 * new_points_left[:, 1]  # 翻转右手网格为左手网格return new_points, new_points_left      # 返回左右手的点云

转换向量的方法

    def switch_vector_from_rokoko(self, vector):   # 转换向量的方法return [vector[0], -vector[2], vector[1]]  # 返回转换后的向量

后处理Rokoko位置的方法

    def post_process_rokoko_pos(self, rightHandThumb_pos, rightHandIndex_pos, rightHandMiddle_pos, rightHandRing_pos):  # 后处理 Rokoko 位置的方法rightHandThumb_pos[-1] *= -1.0  # 翻转 z 轴rightHandThumb_pos = self.switch_vector_from_rokoko(rightHandThumb_pos)  # 转换向量rightHandIndex_pos[-1] *= -1.0  # 翻转 z 轴rightHandIndex_pos = self.switch_vector_from_rokoko(rightHandIndex_pos)  # 转换向量rightHandMiddle_pos[-1] *= -1.0  # 翻转 z 轴rightHandMiddle_pos = self.switch_vector_from_rokoko(rightHandMiddle_pos)  # 转换向量rightHandRing_pos[-1] *= -1.0  # 翻转 z 轴rightHandRing_pos = self.switch_vector_from_rokoko(rightHandRing_pos)  # 转换向量return rightHandThumb_pos, rightHandIndex_pos, rightHandMiddle_pos, rightHandRing_pos  # 返回处理后的位置

后处理Rokoko方向的方法

    def post_process_rokoko_ori(self, input_quat):  # 后处理 Rokoko 方向的方法wxyz_input_quat = np.array([input_quat[3], input_quat[0], input_quat[1], input_quat[2]])  # 转换为 wxyz 四元数wxyz_input_mat = quat2mat(wxyz_input_quat)  # 转换为旋转矩阵rot_mat = np.array([[0, 1, 0], [-1, 0, 0], [0, 0, 1]])  # 定义旋转矩阵wxyz_input_mat = np.dot(wxyz_input_mat, rot_mat)    # 应用旋转矩阵wxyz_transform_quat = mat2quat(wxyz_input_mat)      # 转换为四元数xyzw_transform_quat = np.array([wxyz_transform_quat[1], wxyz_transform_quat[2], wxyz_transform_quat[3], wxyz_transform_quat[0]])  # 转换为 xyzw 四元数return xyzw_transform_quat  # 返回处理后的四元数

2.2.2 create_target_vis、update_target_vis、rest_target_vis的实现

接下来是create_target_vis的实现

以及update_target_vis的实现

方法定义
该方法接受五个参数：右手的旋转四元数 (rightHand_rot）、右手拇指、食指、中指和
无名指的关节位置

def update_target_vis(self, rightHand_rot, rightHandThumb_pos, rightHandIndex_pos, rightHandMiddle_pos, rightHandRing_pos):  # 定义更新目标可视化的方法

重置球体位置和方向

        p.resetBasePositionAndOrientation(self.ball6Mbt,rotate_vector_by_quaternion_using_matrix(self.leap_center_offset, rightHand_rot),rightHand_rot,)  # 重置球体 ball6Mbt 的位置和方向p.resetBasePositionAndOrientation(self.ball5Mbt,[0.0, 0.0, 0.0],rightHand_rot,)  # 重置球体 ball5Mbt 的位置和方向p.resetBasePositionAndOrientation(self.ball9Mbt,p.getLinkState(self.LeapId, 4)[0],rightHand_rot,)  # 重置球体 ball9Mbt 的位置和方向p.resetBasePositionAndOrientation(self.ball7Mbt,p.getLinkState(self.LeapId, 9)[0],rightHand_rot,)  # 重置球体 ball7Mbt 的位置和方向p.resetBasePositionAndOrientation(self.ball8Mbt,p.getLinkState(self.LeapId, 14)[0],rightHand_rot,)  # 重置球体 ball8Mbt 的位置和方向p.resetBasePositionAndOrientation(self.ball10Mbt,p.getLinkState(self.LeapId, 19)[0],rightHand_rot,)  # 重置球体 ball10Mbt 的位置和方向

计算偏移量
更新拇指位置和方向
更新食指位置和方向
更新中指位置和方向
更新无名指位置和方向
返回更新后的关键位置

再之后，是update_target_vis_left，用于更新左手目标位置的可视化方法，该方法使用PyBullet来重置多个球体的位置和方向，以反应手部关节的位置和方向

以及rest_target_vis

2.2.3 compute_IK的实现：用于计算双手的逆运动学IK——使用PyBullet来模拟手部关节的位置和方向

最后则是比较重要的compute_IK的实现，其用于计算双手的逆运动学IK，该方法使用PyBullet来模拟手部关节的位置和方向，并生成用于控制真实机器人的关节位置

以下是详细解读

方法定义
该方法接收4个参数：右手、左手的关节位置和手腕方向

def compute_IK(self, right_hand_pos, right_hand_wrist_ori, left_hand_pos, left_hand_wrist_ori):  # 定义计算逆运动学的方法p.stepSimulation()  # 进行一步模拟

处理左手数据，包括计算关节位置、应用旋转矩阵、翻转x轴

        wxyz_input_quat = np.array([left_hand_wrist_ori[3], left_hand_wrist_ori[0], left_hand_wrist_ori[1], left_hand_wrist_ori[2]])  # 转换左手四元数wxyz_input_mat = quat2mat(wxyz_input_quat)  # 转换为旋转矩阵leftHand_pos = left_hand_pos[0]  # 获取左手位置leftHandThumb_pos = (left_hand_pos[4] - leftHand_pos)  # 计算左手拇指位置leftHandIndex_pos = (left_hand_pos[8] - leftHand_pos)  # 计算左手食指位置leftHandMiddle_pos = (left_hand_pos[12] - leftHand_pos)  # 计算左手中指位置leftHandRing_pos = (left_hand_pos[16] - leftHand_pos)  # 计算左手无名指位置leftHandThumb_pos = leftHandThumb_pos @ wxyz_input_mat  # 应用旋转矩阵leftHandIndex_pos = leftHandIndex_pos @ wxyz_input_mat  # 应用旋转矩阵leftHandMiddle_pos = leftHandMiddle_pos @ wxyz_input_mat  # 应用旋转矩阵leftHandRing_pos = leftHandRing_pos @ wxyz_input_mat  # 应用旋转矩阵leftHandThumb_pos[0] *= -1.0  # 翻转 x 轴leftHandIndex_pos[0] *= -1.0  # 翻转 x 轴leftHandMiddle_pos[0] *= -1.0  # 翻转 x 轴leftHandRing_pos[0] *= -1.0  # 翻转 x 轴leftHandThumb_pos = leftHandThumb_pos @ wxyz_input_mat.T  # 应用逆旋转矩阵leftHandIndex_pos = leftHandIndex_pos @ wxyz_input_mat.T  # 应用逆旋转矩阵leftHandMiddle_pos = leftHandMiddle_pos @ wxyz_input_mat.T  # 应用逆旋转矩阵leftHandRing_pos = leftHandRing_pos @ wxyz_input_mat.T  # 应用逆旋转矩阵

转换左手方向，包括后处理、转换为欧拉角和四元数、重新排列和旋转四元数

        leftHand_rot = left_hand_wrist_ori  # 获取左手方向leftHand_rot = self.post_process_rokoko_ori(leftHand_rot)  # 后处理方向euler_angles = quat2euler(np.array([leftHand_rot[3], leftHand_rot[0], leftHand_rot[1], leftHand_rot[2]]))  # 转换为欧拉角quat_angles = euler2quat(-euler_angles[0], -euler_angles[1], euler_angles[2]).tolist()  # 转换为四元数leftHand_rot = np.array(quat_angles[1:] + quat_angles[:1])  # 重新排列四元数leftHand_rot = rotate_quaternion_xyzw(leftHand_rot, np.array([1.0, 0.0, 0.0]), np.pi / 2.0)  # 旋转四元数

处理右手数据，包括计算关节位置和更新左手目标可视化

        rightHand_pos = right_hand_pos[0]  # 获取右手位置rightHandThumb_pos = (right_hand_pos[4] - rightHand_pos)  # 计算右手拇指位置rightHandIndex_pos = (right_hand_pos[8] - rightHand_pos)  # 计算右手食指位置rightHandMiddle_pos = (right_hand_pos[12] - rightHand_pos)  # 计算右手中指位置rightHandRing_pos = (right_hand_pos[16] - rightHand_pos)  # 计算右手无名指位置leftHandThumb_pos, leftHandIndex_pos, leftHandMiddle_pos, leftHandRing_pos = self.post_process_rokoko_pos(leftHandThumb_pos, leftHandIndex_pos, leftHandMiddle_pos, leftHandRing_pos)  # 后处理左手位置leftHandThumb_pos, leftHandIndex_pos, leftHandMiddle_pos, leftHandRing_pos = self.update_target_vis_left(leftHand_rot, leftHandThumb_pos, leftHandIndex_pos, leftHandMiddle_pos, leftHandRing_pos)  # 更新左手目标可视化leapEndEffectorPos_2 = [leftHandIndex_pos,leftHandMiddle_pos,leftHandRing_pos,leftHandThumb_pos]  # 定义左手末端执行器位置

转换右手方向

计算逆运动学，用于计算左手和右手的逆运动学，得到关节位置

        jointPoses_2 = []for i in range(4):jointPoses_2 = jointPoses_2 + list(p.calculateInverseKinematics(self.LeapId_2, self.leapEndEffectorIndex[i], leapEndEffectorPos_2[i],lowerLimits=self.hand_lower_limits, upperLimits=self.hand_upper_limits, jointRanges=self.hand_joint_ranges,restPoses=self.HAND_Q.tolist(), maxNumIterations=1000, residualThreshold=0.001))[4 * i:4 * (i + 1)]jointPoses_2 = tuple(jointPoses_2)jointPoses = []for i in range(4):jointPoses = jointPoses + list(p.calculateInverseKinematics(self.LeapId, self.leapEndEffectorIndex[i], leapEndEffectorPos[i],lowerLimits=self.hand_lower_limits, upperLimits=self.hand_upper_limits, jointRanges=self.hand_joint_ranges,restPoses=self.HAND_Q.tolist(), maxNumIterations=1000, residualThreshold=0.001))[4 * i:4 * (i + 1)]jointPoses = tuple(jointPoses)

合并关节位置

        combined_jointPoses_2 = (jointPoses_2[0:4] + (0.0,) + jointPoses_2[4:8] + (0.0,) + jointPoses_2[8:12] + (0.0,) + jointPoses_2[12:16] + (0.0,))combined_jointPoses_2 = list(combined_jointPoses_2)combined_jointPoses = (jointPoses[0:4] + (0.0,) + jointPoses[4:8] + (0.0,) + jointPoses[8:12] + (0.0,) + jointPoses[12:16] + (0.0,))combined_jointPoses = list(combined_jointPoses)

更新手部关节

        # 更新手部关节for i in range(20):p.setJointMotorControl2(bodyIndex=self.LeapId,jointIndex=i,controlMode=p.POSITION_CONTROL,targetPosition=combined_jointPoses[i],targetVelocity=0,force=500,positionGain=0.3,velocityGain=1,)p.setJointMotorControl2(bodyIndex=self.LeapId_2,jointIndex=i,controlMode=p.POSITION_CONTROL,targetPosition=combined_jointPoses_2[i],targetVelocity=0,force=500,positionGain=0.3,velocityGain=1,)

重置手部位置和方向

        p.resetBasePositionAndOrientation(self.LeapId,rotate_vector_by_quaternion_using_matrix(self.leap_center_offset, rightHand_rot),rightHand_rot,)after_left_offset_base = rotate_vector_by_quaternion_using_matrix(self.leap_center_offset, leftHand_rot)after_left_offset_base[1] += self.left_offsetp.resetBasePositionAndOrientation(self.LeapId_2,after_left_offset_base,leftHand_rot,)self.rest_target_vis()

映射结果到真实机器人

        # 映射结果到真实机器人real_right_robot_hand_q = np.array([0.0 for _ in range(16)])real_left_robot_hand_q = np.array([0.0 for _ in range(16)])real_right_robot_hand_q[0:4] = jointPoses[0:4]real_right_robot_hand_q[4:8] = jointPoses[4:8]real_right_robot_hand_q[8:12] = jointPoses[8:12]real_right_robot_hand_q[12:16] = jointPoses[12:16]real_right_robot_hand_q[0:2] = real_right_robot_hand_q[0:2][::-1]real_right_robot_hand_q[4:6] = real_right_robot_hand_q[4:6][::-1]real_right_robot_hand_q[8:10] = real_right_robot_hand_q[8:10][::-1]real_left_robot_hand_q[0:4] = jointPoses_2[0:4]real_left_robot_hand_q[4:8] = jointPoses_2[4:8]real_left_robot_hand_q[8:12] = jointPoses_2[8:12]real_left_robot_hand_q[12:16] = jointPoses_2[12:16]real_left_robot_hand_q[0:2] = real_left_robot_hand_q[0:2][::-1]real_left_robot_hand_q[4:6] = real_left_robot_hand_q[4:6][::-1]real_left_robot_hand_q[8:10] = real_left_robot_hand_q[8:10][::-1]

生成点云

        # 生成左手和右手的点云right_hand_pointcloud, left_hand_pointcloud = self.get_mesh_pointcloud(real_right_robot_hand_q, real_left_robot_hand_q)

进一步映射关节到真实机器人

        # 进一步映射关节到真实机器人real_right_robot_hand_q += np.pireal_left_robot_hand_q += np.pireal_left_robot_hand_q[0] = np.pi * 2 - real_left_robot_hand_q[0]real_left_robot_hand_q[4] = np.pi * 2 - real_left_robot_hand_q[4]real_left_robot_hand_q[8] = np.pi * 2 - real_left_robot_hand_q[8]real_left_robot_hand_q[12] = np.pi * 2 - real_left_robot_hand_q[12]real_left_robot_hand_q[13] = np.pi * 2 - real_left_robot_hand_q[13]

返回结果，该方法返回右手和左手的关节位置，以及生成的点云

        return real_right_robot_hand_q, real_left_robot_hand_q, right_hand_pointcloud, left_hand_pointcloud  # 返回结果

此外，像STEP2_build_dataset/utils.py这个代码文件里还有对于transform_left_leap_pointcloud_to_camera_frame的实现，其将右手LEAP点云转换到相机坐标系